在利用tensorflow進行文本挖掘工作的時候，經常涉及到維度擴展和壓縮工作。比如對文本進行embedding操作完成之后，若要進行卷積操作，就需要對embedded的向量擴展維度，將[batch_size, embedding_dims]擴展成為[batch_size, embedding_dims, 1]，利用tf.expand_dims(input, -1)就可實現，反過來用squeeze(input, -1)或者tf.squeeze（input）也可以把最第三維去掉。

tf.expand_dims()

tf.squeeze()

tf.expand_dims()

tf.expand_dims(input, axis=None, name=None, dim=None)

在第axis位置增加一個維度.

給定張量輸入，此操作在輸入形狀的維度索引軸處插入1的尺寸。 尺寸索引軸從零開始; 如果您指定軸的負數，則從最后向后計數。

如果要將批量維度添加到單個元素，則此操作非常有用。 例如，如果您有一個單一的形狀[height，width，channels]，您可以使用expand_dims（image，0）使其成為1個圖像，這將使形狀[1，高度，寬度，通道]。

例子

# 't' is a tensor of shape [2]shape(expand_dims(t, 0)) ==> [1, 2]shape(expand_dims(t, 1)) ==> [2, 1]shape(expand_dims(t, -1)) ==> [2, 1]# 't2' is a tensor of shape [2, 3, 5]shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

tf.squeeze()

tf.squeeze(input, axis=None, name=None, squeeze_dims=None)

直接上例子

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1] shape(squeeze(t)) ==> [2, 3]# 't' is a tensor of shape [1, 2, 1, 3, 1, 1] shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

以上這篇tensorflow 利用expand_dims和squeeze擴展和壓縮tensor維度方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林站長站。