张量的分割
TensorFlow中，张量分割的操作主要包括：
tf.unstack()：将张量按照特定维度分解。
tf.split()：将张量按照特定维度划分为指定的分数。

与tf.unstack()相比，tf.split()更佳灵活。
tf.unstack(value,num=None,axis=0,name='unstack')：
value：输入张量；
num：表示输出含有num个元素的列表，num必须和指定维度内元素的个数相等。通常可以忽略不写这个参数。
axis：指明根据数据的哪个维度进行分割；
name：操作名称。

代码：

按照第一个维度对数据进行分解，分解后的数据以列表形式输出。

tf.unstack(stacked_sample_1,axis=0)

输出：
[<tf.Tensor: shape=(100, 100, 3), dtype=float32, numpy=
array([[[ 0.0665694 , 0.7110351 , 1.907618 ],
[ 0.84416866, 1.5470593 , -0.5084871 ],
[-1.9480026 , -0.9899087 , -0.09975405],
...,

tf.split(value, num_or_size_splits, axis=0)：
value：输入张量；
num_or_size_splits：准备切成几份
axis：指明根据数据的哪个维度进行分割。

tf.split()的分割方式有两种：

1. 如果num_or_size_splits 传入的是一个整数，那直接在axis=D这个维度上把张量平均切分成几个小张量。
2. 如果num_or_size_splits 传入的是一个向量，则在axis=D这个维度上把张量按照向量的元素值切分成几个小张量。

代码：
import numpy as np
split_sample_1 = tf.random.normal([10,100,100,3])
print("原始数据的尺寸为：",split_sample_1.shape)
splited_sample_1 = tf.split(split_sample_1, num_or_size_splits=5,axis=0)
print("当m_or_size_splits=10，分割后数据的尺寸为：",np.shape(splited_sample_1))
splited_sample_2 = tf.split(split_sample_1, num_or_size_splits=[3,5,2],axis=0)
print("当num_or_size_splits=[3,5,2]，分割后数据的尺寸分别为：",
np.shape(splited_sample_2[0]),
np.shape(splited_sample_2[1]),
np.shape(splited_sample_2[2]))

输出：
原始数据的尺寸为： (10, 100, 100, 3)
当m_or_size_splits=10，分割后数据的尺寸为： (5, 2, 100, 100, 3)
当num_or_size_splits=[3,5,2]，分割后数据的尺寸分别为： (3, 100, 100, 3) (5, 100, 100, 3) (2, 100, 100, 3)