TensorFlow — 相关 API

TensorFlow — 相关 API

TensorFlow 相关函数理解

任务时间：时间未知

tf.truncated_normal

truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)

功能说明：

产生截断正态分布随机数，取值范围为[mean - 2 * stddev, mean + 2 * stddev]。

参数列表：

参数名	必选	类型	说明
shape	是	1 维整形张量或array	输出张量的维度
mean	否	0 维张量或数值	均值
stddev	否	0 维张量或数值	标准差
dtype	否	dtype	输出类型
seed	否	数值	随机种子，若 seed 赋值，每次产生相同随机数
name	否	string	运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 truncated_normal.py：

示例代码：/home/ubuntu/truncated_normal.py

#!/usr/bin/python

import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print tf.Session().run(initial)

然后执行:

python /home/ubuntu/truncated_normal.py

执行结果：

将得到一个取值范围 [-2, 2] 的 3 * 3 矩阵，您也可以尝试修改源代码看看输出结果有什么变化？

tf.constant

constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

功能说明：

根据 value 的值生成一个 shape 维度的常量张量

参数列表：

参数名	必选	类型	说明
value	是	常量数值或者 list	输出张量的值
dtype	否	dtype	输出张量元素类型
shape	否	1 维整形张量或 array	输出张量的维度
name	否	string	张量名称
verify_shape	否	Boolean	检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 constant.py，内容可参考：

示例代码：/home/ubuntu/constant.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np
a = tf.constant([1,2,3,4,5,6],shape=[2,3])
b = tf.constant(-1,shape=[3,2])
c = tf.matmul(a,b)

e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
g = tf.matmul(e,f)
with tf.Session() as sess:
    print sess.run(a)
    print ("##################################")
    print sess.run(b)
    print ("##################################")
    print sess.run(c)
    print ("##################################")
    print sess.run(e)
    print ("##################################")
    print sess.run(f)
    print ("##################################")
    print sess.run(g)

然后执行:

python /home/ubuntu/constant.py

执行结果：

• a: 2x3 维张量；
• b: 3x2 维张量；
• c: 2x2 维张量；
• e: 2x2x3 维张量；
• f: 2x3x2 维张量；
• g: 2x2x2 维张量。

您也可以尝试修改源代码看看输出结果有什么变化？

tf.placeholder

placeholder(
    dtype,
    shape=None,
    name=None
)

功能说明：

是一种占位符，在执行时候需要为其提供数据

参数列表：

参数名	必选	类型	说明
dtype	是	dtype	占位符数据类型
shape	否	1 维整形张量或 array	占位符维度
name	否	string	占位符名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 placeholder.py，内容可参考：

示例代码：/home/ubuntu/placeholder.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32,[None,10])
y = tf.matmul(x,x)
with tf.Session() as sess:
    rand_array = np.random.rand(10,10)
    print sess.run(y,feed_dict={x:rand_array})

然后执行:

python /home/ubuntu/placeholder.py

执行结果：

输出一个 10x10 维的张量。您也可以尝试修改源代码看看输出结果有什么变化？

tf.nn.bias_add

bias_add(
    value,
    bias,
    data_format=None,
    name=None
)

功能说明：

将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。

参数列表：

参数名	必选	类型	说明
value	是	张量	数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128
bias	是	1 维张量	维度必须和 value 最后一维维度相等
data_format	否	string	数据格式，支持'NHWC'和'NCHW'
name	否	string	运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 bias_add.py，内容可参考：

示例代码：/home/ubuntu/bias_add.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
b = tf.constant([2.0,1.0])
c = tf.constant([1.0])
sess = tf.Session()
print sess.run(tf.nn.bias_add(a, b))
#print sess.run(tf.nn.bias_add(a,c)) error
print ("##################################")
print sess.run(tf.add(a, b))
print ("##################################")
print sess.run(tf.add(a, c))

然后执行:

python /home/ubuntu/bias_add.py

执行结果：

3 个 3x2 维张量。您也可以尝试修改源代码看看输出结果有什么变化？

tf.reduce_mean

reduce_mean(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

功能说明：

计算张量 input_tensor 平均值

参数列表：

参数名	必选	类型	说明
input_tensor	是	张量	输入待求平均值的张量
axis	否	None、0、1	None：全局求平均值；0：求每一列平均值；1：求每一行平均值
keep_dims	否	Boolean	保留原来的维度，降为 1
name	否	string	运算名称
reduction_indices	否	None	和axis等价，被弃用

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 reduce_mean.py，内容可参考：

示例代码：/home/ubuntu/reduce_mean.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial = [[1.,1.],[2.,2.]]
x = tf.Variable(initial,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print sess.run(tf.reduce_mean(x))
    print sess.run(tf.reduce_mean(x,0)) #Column
    print sess.run(tf.reduce_mean(x,1)) #row

然后执行:

python /home/ubuntu/reduce_mean.py

执行结果：

1.5
[ 1.5  1.5]
[ 1.  2.]

您也可以尝试修改源代码看看输出结果有什么变化？

tf.squared_difference

squared_difference(
    x,
    y,
    name=None
)

功能说明：

计算张量 x、y 对应元素差平方

参数列表：

参数名	必选	类型	说明
x	是	张量	是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
y	是	张量	是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name	否	string	运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 squared_difference.py，内容可参考：

示例代码：/home/ubuntu/squared_difference.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
initial_y = [[3.,3.],[4.,4.]]
y = tf.Variable(initial_y,dtype=tf.float32)
diff = tf.squared_difference(x,y)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print sess.run(diff)

然后执行:

python /home/ubuntu/squared_difference.py

执行结果：

[[ 4.  4.]
 [ 4.  4.]]

您也可以尝试修改源代码看看输出结果有什么变化？

tf.square

square(
    x,
    name=None
)

功能说明：

计算张量对应元素平方

参数列表：

参数名	必选	类型	说明
x	是	张量	是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name	否	string	运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 square.py，内容可参考：

示例代码：/home/ubuntu/square.py

#!/usr/bin/python
import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
x2 = tf.square(x)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print sess.run(x2)

然后执行:

python /home/ubuntu/square.py

执行结果：

[[ 1.  1.]
 [ 4.  4.]]

您也可以尝试修改源代码看看输出结果有什么变化？

TensorFlow 相关类理解

任务时间：时间未知

tf.Variable

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None
)

功能说明：

维护图在执行过程中的状态信息，例如神经网络权重值的变化。

参数列表：

参数名	类型	说明
initial_value	张量	Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False
trainable	Boolean	是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取）
collections	Graph collections	全局存储，默认是 GraphKeys.GLOBAL_VARIABLES
validate_shape	Boolean	是否允许被未知维度的 initial_value 初始化
caching_device	string	指明哪个 device 用来缓存变量
name	string	变量名
dtype	dtype	如果被设置，初始化的值就会按照这个类型初始化
expected_shape	TensorShape	要是设置了，那么初始的值会是这种维度

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 Variable.py，内容可参考：

示例代码：/home/ubuntu/Variable.py

#!/usr/bin/python

import tensorflow as tf
initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
W=tf.Variable(initial)
list = [[1.,1.],[2.,2.]]
X = tf.Variable(list,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print ("##################(1)################")
    print sess.run(W)
    print ("##################(2)################")
    print sess.run(W[:2,:2])
    op = W[:2,:2].assign(22.*tf.ones((2,2)))
    print ("###################(3)###############")
    print sess.run(op)
    print ("###################(4)###############")
    print (W.eval(sess)) #computes and returns the value of this variable
    print ("####################(5)##############")
    print (W.eval())  #Usage with the default session
    print ("#####################(6)#############")
    print W.dtype
    print sess.run(W.initial_value)
    print sess.run(W.op)
    print W.shape
    print ("###################(7)###############")
    print sess.run(X)

然后执行:

python /home/ubuntu/Variable.py

完成

任务时间：时间未知

恭喜，您已完成本实验内容

您可进行更多 TensorFlow 的系列教程：

• TensorFlow - 线性回归
• TensorFlow - 基于 CNN 数字识别

关于 TensorFlow 的更多资料可参考 TensorFlow 官网 。