摘要：向量雖然簡單，高效，且容易理解?？焖偕上蛄康姆椒ê瘮?shù)生成等差數(shù)列函數(shù)用來快速生成一個等差數(shù)列。例拼瓷磚就是將一段向量重復若干次。向量操作將向量反序可以使用函數(shù)。向量計算向量加減法同樣長度的向量之間可以進行加減操作。

摘要： Tensorflow向量操作

向量在編程語言中就是最常用的一維數(shù)組。
二維數(shù)組叫做矩陣，三維以上叫做張量。

向量雖然簡單，高效，且容易理解。但是與操作0維的標量數(shù)據(jù)畢竟還是不同的。比如向量經(jīng)常用于表示一個序列，生成序列像標量一樣一個一個手工寫就不劃算了。當然可以用循環(huán)來寫。在向量中這樣還好，如果是在矩陣或者是張量中就強烈建議不要用循環(huán)來做了。系統(tǒng)提供的函數(shù)一般都是經(jīng)過高度優(yōu)化的，而且可以使用GPU資源來進行加速。
我們一方面盡可能地多使用系統(tǒng)的函數(shù)，另一方面也不要迷信它們，代碼優(yōu)化是一個實踐的過程，可以實際比較測量一下。

range函數(shù)生成等差數(shù)列
tf.range函數(shù)用來快速生成一個等差數(shù)列。相當于之前我們講numpy時的np.arange函數(shù)。

原型：

tf.range(start, limit, delta=1, dtype=None, name="range")

例：

>>> b11 = tf.range(1,100,1)
>>> b11

>>> sess.run(b11)
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
       18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,
       35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,
       52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68,
       69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85,
       86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99],
      dtype=int32)

tf.linspace與tf.range的區(qū)別在于，數(shù)據(jù)類型不同。

tf.lin_space(
    start,
    stop,
    num,
    name=None
)

其中，start和stop必須是浮點數(shù)，且類型必須相同。num必須是整數(shù)。

例：

>>> a2 = tf.linspace(1.0,10.0,4)  
>>> a2

>>> sess.run(a2)
array([ 1.,  4.,  7., 10.], dtype=float32)

就是將一段向量重復若干次。

>>> a10 = tf.range(1,4,1)
>>> sess.run(a10)
array([1, 2, 3], dtype=int32)
>>> a11 = tf.tile(a10,[3])
>>> sess.run(a11)
array([1, 2, 3, 1, 2, 3, 1, 2, 3], dtype=int32)

將向量反序
可以使用tf.reverse函數(shù)。
原型：

tf.reverse(
    tensor,
    axis,
    name=None
)

tensor是向量，axis軸對于向量不重要，給個[-1]就可以了。折騰軸是張量時間的事情，暫時還用不到。

>>> a2 = tf.linspace(1.0,10.0,4)
>>> a3 = tf.reverse(a2,[-1])
>>> sess.run(a3)
array([10.,  7.,  4.,  1.], dtype=float32)

切片也是向量的常用操作之一，就是取數(shù)組的一部分。

例：

>>> a5 = tf.linspace(1.0,100.0, 10)
>>> sess.run(a5)
array([  1.,  12.,  23.,  34.,  45.,  56.,  67.,  78.,  89., 100.],
      dtype=float32)
>>> a6 = tf.slice(a5, [2],[4])
>>> sess.run(a6)
array([23., 34., 45., 56.], dtype=float32)

將來處理張量時，我們從一個矩陣切一塊，或從一個張量中切一塊，就好玩得多了。但是原理跟向量上是一樣的。

tf.concat也是需要給定軸信息的。對于兩個線性的向量，我們給0或者-1就好。

>>> a20 = tf.linspace(1.0,2.0,10)
>>> sess.run(a20)
array([1.       , 1.1111112, 1.2222222, 1.3333334, 1.4444444, 1.5555556,
       1.6666667, 1.7777778, 1.8888888, 2.       ], dtype=float32)
>>> a21 = tf.linspace(2.0,3.0,5)
>>> sess.run(a22)
array([1.       , 1.1111112, 1.2222222, 1.3333334, 1.4444444, 1.5555556,
       1.6666667, 1.7777778, 1.8888888, 2.       , 2.       , 2.25     ,
       2.5      , 2.75     , 3.       ], dtype=float32)
>>> a23 = tf.concat([a20,a21],-1)
>>> sess.run(a23)
array([1.       , 1.1111112, 1.2222222, 1.3333334, 1.4444444, 1.5555556,
       1.6666667, 1.7777778, 1.8888888, 2.       , 2.       , 2.25     ,
       2.5      , 2.75     , 3.       ], dtype=float32)

向量加減法
同樣長度的向量之間可以進行加減操作。

例：

>>> a40 = tf.constant([1,1])
>>> a41 = tf.constant([2,2])
>>> a42 = a40 + a41
>>> sess.run(a42)
array([3, 3], dtype=int32)
>>> a43 = a40 - a41
>>> sess.run(a43)
array([-1, -1], dtype=int32)
>>> a43

向量乘除標量
向量乘除標量也非常好理解，就是針對向量中的每個數(shù)都做乘除法。

例：

>>> a44 = a40 * 2
>>> sess.run(a44)
array([2, 2], dtype=int32)
>>> a45 = a44 / 2  
>>> sess.run(a45)
array([1., 1.])
>>> a44

>>> a45

廣播運算
如果針對向量和標量進行加減運算，也是會對向量中的每個數(shù)進行加減運算。這種操作稱為廣播操作。

例：

**>>> a46 = a40 + 1

sess.run(a46)
array([2, 2], dtype=int32)
a46
**

從上面我們學習的函數(shù)我們可以看到，與普通語言中提供的函數(shù)多是為一維數(shù)組操作不同，Tensorflow中的切片、拼接等操作也是基于張量的。
當我們后面學到張量遇到困難時，不妨回來看下這一節(jié)。不管后面張量多么復雜，其實也只是從一維向二維和多維推廣而己。

詳情請閱讀原文