张量的合并可以通过拼接(Concatenate)和堆叠(Stack)操作实现
1.拼接
tf.concat([a,b],axis=n)合并，其中a,b为合并对象，axis指定合并的维度索引，axis=0表示在第一个维度合并，变成10个[35,8]的矩阵
a=tf.random.normal([4,35,8]) b=tf.random.normal([6,35,8]) tf.concat([a,b],axis=0)
2.堆叠
tf.stack(tensors,axis)合并多个张量，当axis>=0时，在axis之前插入新维度；当axis<0时，在axis之后插入新维度。axis=-1,表示在末尾插入班级维度。
5.1.2分割tf.split(x,num_or_size_splits,axis)
x=tf.random.normal([10,35,8]) result=tf.split(x,num_or_size_splits=10,axis=0) len(result)
进行不等长切割,num_or_size_splits=[4,2,2,2],表示分割的长度依次是4，2，2，2
5.2数据统计 5.2.1向量范数tf.norm(x,ord)求解张量L1,L2,范式，ord=1,2计算L1，L2,ord=np.inf计算无穷。
5.2.2最值，均值，和
tf.reduce_max(x,axis=1)
tf.reduce_min(x,axis=1)
tf.reduce_mean(x,axis=1)
这些返回的都式标量
求和函数：tf.reduce_sum(x,axis=-1)
#求最后一个维度的和 tf.reduce_sum(out,axis=-1)
选取axis位置上，概率最大的位置
pred=tf.argmax（out,axis=1）
选取axis位置上，概率最小的位置
pred=tf.argmin(out,axis=1)
softmax函数转成概率值
out=tf.nn.sofmax(out,axis=1)
5.3张量比较
#预测与真实值相比，返回布尔类型的张量 tf.equal(pred,y) #预测与真实值相比，返回布尔类型的张量 tf.math.equal(a,b)
统计True的个数
out=tf.cast(out,dtype=tf.float32)#布尔类型转换成int correct=tf.reduce_sum(out) #统计True的个数5.4填充与复制 5.4.1填充（padding）
tf.pad(x,paddings)来填充
5.4.2复制tf.tile()函数实现长度为1的维度复制的功能。
tf.tile(x,[2,3,3,1])5.5数据限幅
tf.maximum(x,a)
tf.minimum(x,a)
5.6高级操作 5.6.1 tf.gather#在班级维度收集第1~2号班级成绩册 tf.gather(x,[0,1],axis=0)5.6.2 tf.gather_nd
tf.gather_nd(x,[[1,1],[2,2],[3,3]])5.6.3 tf.boolean_mask 5.6.4 tf.where 5.6.5 scatter_nd 5.6.6 meshgrid 5.7经典数据集加载
