一些python笔记

#例
x= 10
a = [1, 2, 3, 4]
a = [i+x for i in a]
print(a)

#输出：[11, 12, 13, 14]

在官方文档中，是这么描述的

tf.pad(tensor, paddings, mode='CONSTANT', constant_values=0, name=None)

关键参数为：
tensor：输入
paddings：padding大小
mode：padding模式
其中padding应该为每一个维度前后需要padding的数量，具体看下面例子

t=[
   [[2,3,4],[5,6,7]],
   [[2,3,4],[5,6,7]]
    ]
t = tf.constant(t)
print(t.shape)
print(tf.pad(t,[[0,0],[1,2],[3,4]],"CONSTANT"))

#输出为：
(2, 2, 3)
tf.Tensor(
[[[0 0 0 0 0 0 0 0 0 0]
  [0 0 0 2 3 4 0 0 0 0]
  [0 0 0 5 6 7 0 0 0 0]
  [0 0 0 0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0 0 0 0]
  [0 0 0 2 3 4 0 0 0 0]
  [0 0 0 5 6 7 0 0 0 0]
  [0 0 0 0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0 0 0 0]]], shape=(2, 5, 10), dtype=int32)

第一个维度对应的是[0,0]，所以没有进行padding；
第二个维度（也就是行这一维）对应[1,2]，也就是在上面一行，下面两行；
第三个维度（也就是列这一维）对应[3,4]，也就是在左面三行，右面四行。

可以直接将数组扩大一个维度，如下例：

import numpy as np

a = np.array([1., 2., 1.])
print(a.shape)
a = a[:,None]
print(a.shape)
print(a)

#输出：
(3,)
(3, 1)
[[1.]
 [2.]
 [1.]]
 数组a从三个元素的一维数组变成了三行一列的二维数组

以此类推可以得到的是：

import numpy as np

a = np.array([1., 2., 1.])
b = a[:,None]

b = a[:,None]*a[None,:]
b = b[None,None,:,:]

print(b.shape)
print(b)

#输出：
(1, 1, 3, 3)
[[[[1. 2. 1.]
  [2. 4. 2.]
  [1. 2. 1.]]]]

.repeat(repeats, axis)
repeats：重复的次数
axis：需要重复的维度
例：

import numpy as np

a = np.array([1., 2., 1.])
b = a[:,None]

b = a[:,None]*a[None,:]
c = b[None,None,:,:].repeat(3,axis=0)
print(b[None,None,:,:].shape)
print(c.shape)
print(c)

#输出：
(1, 1, 3, 3)
(3, 1, 3, 3)
[[[[1. 2. 1.]
   [2. 4. 2.]
   [1. 2. 1.]]]


 [[[1. 2. 1.]
   [2. 4. 2.]
   [1. 2. 1.]]]


 [[[1. 2. 1.]
   [2. 4. 2.]
   [1. 2. 1.]]]]