[ML lab 08] Tensor Manipulation

Axis(축)

가장 바깥 []이 0번 axis이고 안쪽으로 들어갈수록 커진다.

가장 안쪽 []은 -1번이라고 하기도 한다.

---

matmul() 등 matrix 연산을 할 때에는 shape을 보고 가능한지 주의해야한다.

ex. (2, 2)와 (2,1)의 multiply는 가능하다.

 

broadcasting (warning!)

shape이 동일하지 않은 경우에 matrix 연산을 시도하면, 연산을 할 수 있도록 shape을 자동으로 맞추어 준다.

---

reduce_mean()

항상 각 element가 float type이 되도록 주의해야 한다.

축(axis)을 무엇으로 정하는지에 따라 다른 값이 나온다. (축을 명시하지 않으면 모든 element의 평균을 구한다.)

tf.reduce_mean([1, 2], axis = 0).eval()
# 1

x = [[1., 2.],
     [3., 4.]]
     
tf.reduce_mean(x).eval()
# 2.5

tf.reduce_mean(x, axis = 0).eval()
# array([2., 3.], dtype = float32)

tf.reduce_mean(x, axis = 1).eval()
# array([1.5, 3.5], dtype = float32)

tf.reduce_mean(x, axis = -1).eval()
# array([1.5, 3.5], dtype = float32)

---

argmax()

최대값의 위치를 반환한다.

x = [[0, 1, 2],
     [2, 1, 0]]
tf.argmax(x, axis = 0).eval()
# array([1, 0, 0])

tf.argmax(x, axis = 1).eval()
# array([2, 0])

tf.argmax(x, axis = -1).eval()
# array([2, 0])

---

reshape()

X = [[[0, 1, 2],
      [2, 1, 0]],
      
     [[6, 7, 8],
      [9, 10, 11]]]
t.shape
# (2, 2, 3)

tf.reshape(t, shape[-1, 3]).eval()
"""
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8],
       [9, 10, 11]])
"""

tf.reshape(t, shape = [-1, 1, 3]).eval()
"""
array([[[0, 1, 2]],

       [[3, 4, 5]],
       
       [[6, 7, 8]],
       
       [[9, 10, 11]]])
"""

squeeze()와 expand_dims()를 이용한 reshape

tf.squeeze([[0], [1], [2]]).eval()
# array([0, 1, 2], dtype = int32

tf.expand_dims([0, 1, 2], 1).eval()
"""
array([0],
      [1],
      [2]], dtype = int32)
"""

---

one_hot()

tf.one_hot([[0], [1], [2], [0]], depth = 3).eval() # depth는 0~2라서 3
"""
array([[[1., 0., 0.]],
      
       [[0., 1., 0.]],
       
       [[0., 0., 1.]],
       
       [[1., 0., 0.]]], dtype = float32)
"""
# one_hot()을 하면 자동으로 1차원이 커진다.
# 따라서 reshape을 통해 원래의 차원으로 바꿔준다.

t = tf.one_hot([[0], [1], [2], [0]], depth = 3)
tf.reshape(t, shape = [-1, 3]).eval()
"""
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [1., 0., 0.]], dtype = float32)
"""

---

cast()

tf.cast([1.8, 2.2, 3.3, 4.9], tf.int32).eval()
# array([1, 2, 3, 4], dtype = int32)

tf.cast([True, False, 1==1, 0==1], tf.int32).eval()
# array([1, 0, 1, 0], dtype = int 32)

---

stack()

x = [1, 4]
y = [2, 5]
z = [3, 6]

# Pack along first dim
tf.stack([x, y, z]).eval()
"""
array([[1, 4],
       [2, 5],
       [3, 6], dtype = int32)
"""

tf.stack([x, y, z], axis = 1).eval()
"""
array([[1, 2, 3],
       [4, 5, 6], dtype = int32)
"""

---

ones_like() and zeros_like()

x = [[0, 1, 2],
     [2, 1, 0]]
     
tf.ones_like(x).eval()
"""
array([[1, 1, 1],
       [1, 1, 1]], dtype = int32)
"""

tf.zeros_like(x.eval()
"""
array([[0, 0, 0],
       [0, 0, 0]], dtype = int32)
"""

---

zip()

for x, y in zip([1, 2, 3], [4, 5, 6]):
    print(x, y)
"""
1 4
2 5
3 6
"""

for x, y, z in zip([1, 2, 3], [4, 5, 6], [7, 8, 9]):
    print(x, y, z)
"""
1 4 7
2 5 8
3 6 9
"""