TensorFlow中多个feature_map的组合问题

这次来总体解决一下最初提到的问题，将一个conv层输出的多个特征图整合成一张大图的方法。

从conv层出来的feature_map是有多个的，假如是3个feature_map,每个feature_map的大小为5x4。

此时tensor的shape为[5,4,3],这说明了，它将多个feature_map在某一个位置的不同通道值记录在了一起。

如果我们想要将这些特征图合成一张[5,4x3]的大图，单纯使用reshape进行操作，必然会导致原始特征图的切割，可能会丢失某些潜在信息。

所以我们需要找寻别的办法，将这多个特征图独立起来，然后作为一个整体进行拼接。示意图如下（比例问题是因为原问题的tensor是3x6x16的，图没改，直接改的数）

这样需要进行的操作就是将[5,4,3]的tensor按照第3维抽取出来，成为3个[5,4]的tensor

然后，将这3个tensor按照第1维或者第2维来进行拼接。

如何将一个[5,4,3]的tensor A转换成[3,5,4]的tensor呢？

首先，令B = tf.split(A,3,axis=2)，此时B的shape是[3,5,4,1]，B是一个tensor列表，里面有3个tensor张量，每一个张量的shape都是[5,4,1]的。

然后，令C = tf.squeeze(B,3)将B中的第4个维度删除，此时C的shape为[3,5,4]

然后如何将[3,5,4]的tensor转换成[5,4x3]的tensor呢？

首先，令D=tf.unstack(C,axis=0),此时D的shape是[3,5,4]。这时有人会问为什么要做这一步？D和C有什么区别，不都是[3,5,4]的tensor吗？

其实不是，我们输出一下结构看一看，C的结构如下：

D的结构如下：

看出差别了吧，C是一个3维的张量，而D是一个2维的张量列表。

假设E = tf.concat(C,1),F = tf.concat(D,1),我们看看E和F分别是什么？
E:

F：

看出差别了吧，由于C是一个张量，所以concat还是它自己。

而D是一个张量列表，concat的输入应该是多个tensor才能进行concat，此时就对D的多个张量按照第2维进行了连接，即得到了我们想要的结果。