tensorFlow（一）相关重要函数理解
1、函数及参数：tf.nn.conv2d
conv2d(
input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format='NHWC',
name=None
)
卷积的原理可参考 A guide to convolution arithmetic for deep learning
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| input | 是 | tensor | 是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个 batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]） |
| filter | 是 | tensor | 是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数，卷积核个数 ]）,filter 的 in_channels 必须和 input 的 in_channels 相等 |
| strides | 是 | 列表 | 长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1 |
| padding | 是 | string | 只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 丢弃方式；SAME：补全方式 |
| use_cudnn_on_gpu | 否 | bool | 是否使用 cudnn 加速，默认为 true |
| data_format | 否 | string | 只能是 " NHWC ", " NCHW "，默认 " NHWC " |
| name | 否 | string | 运算名称 |
实例：
import tensorflow as tf a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])
b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])
c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='VALID')
d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='SAME')
with tf.Session() as sess:
print ("c shape:")
print (c.shape)
print ("c value:")
print (sess.run(c))
print ("d shape:")
print (d.shape)
print ("d value:")
print (sess.run(d))
结果：
c shape:
(1, 3, 3, 1)
c value:
[[[[ 4.]
[ 3.]
[ 4.]] [[ 2.]
[ 4.]
[ 3.]] [[ 2.]
[ 3.]
[ 4.]]]]
d shape:
(1, 5, 5, 1)
d value:
[[[[ 2.]
[ 2.]
[ 3.]
[ 1.]
[ 1.]] [[ 1.]
[ 4.]
[ 3.]
[ 4.]
[ 1.]] [[ 1.]
[ 2.]
[ 4.]
[ 3.]
[ 3.]] [[ 1.]
[ 2.]
[ 3.]
[ 4.]
[ 1.]] [[ 0.]
[ 2.]
[ 2.]
[ 1.]
[ 1.]]]]
参考：https://blog.csdn.net/zuolixiangfisher/article/details/80528989
1.1、tf.layers.conv1d
一维卷积一般用于处理文本，所以输入一般是一段长文本，就是词的列表
函数定义如下：
tf.layers.conv1d(
inputs,
filters,
kernel_size,
strides=1,
padding='valid',
data_format='channels_last',
dilation_rate=1,
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=tf.zeros_initializer(),
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None
)
比较重要的几个参数是inputs, filters, kernel_size，下面分别说明
inputs : 输入tensor， 维度(None, a, b) 是一个三维的tensor
None ： 一般是填充样本的个数，batch_size
a ： 句子中的词数或者字数
b : 字或者词的向量维度
filters : 过滤器的个数
kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，这里只需要指定一维，是因为卷积核的第二维与输入的词向量维度是一致的，因为对于句子而言，卷积的移动方向只能是沿着词的方向，即只能在列维度移动
一个例子：
inputs = tf.placeholder('float', shape=[None, 6, 8])
out = tf.layers.conv1d(inputs, 5, 3)
说明： 对于一个样本而言，句子长度为6个字，字向量的维度为8
filters=5, kernel_size=3， 所以卷积核的维度为3*8
那么输入6*8经过3*8的卷积核卷积后得到的是4*1的一个向量(4=6-3+1)
又因为有5个过滤器，所以是得到5个4*1的向量
参考：https://blog.csdn.net/u011734144/article/details/84066928
2、函数及参数：tf.nn.relu
relu(
features,
name=None
)
功能说明：
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| features | 是 | tensor | 是以下类型float32, float64, int32, int64, uint8, int16, int8, uint16, half |
| name | 否 | string | 运算名称 |
实例：
import tensorflow as tf a = tf.constant([1,-2,0,4,-5,6])
b = tf.nn.relu(a)
with tf.Session() as sess:
print (sess.run(b))
执行结果：
[1 0 0 4 0 6]
3、函数及参数：tf.nn.max_pool
max_pool(
value,
ksize,
strides,
padding,
data_format='NHWC',
name=None
)
功能说明：
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| value | 是 | tensor | 4 维的张量，即 [ batch, height, width, channels ]，数据类型为 tf.float32 |
| ksize | 是 | 列表 | 池化窗口的大小，长度为 4 的 list，一般是 [1, height, width, 1]，因为不在 batch 和 channels 上做池化，所以第一个和最后一个维度为 1 |
| strides | 是 | 列表 | 池化窗口在每一个维度上的步长，一般 strides[0] = strides[3] = 1 |
| padding | 是 | string | 只能为 " VALID "，" SAME " 中之一，这个值决定了不同的池化方式。VALID 丢弃方式；SAME：补全方式 |
| data_format | 否 | string | 只能是 " NHWC ", " NCHW "，默认" NHWC " |
| name | 否 | string | 运算名称 |
实例：
import tensorflow as tf a = tf.constant([1,3,2,1,2,9,1,1,1,3,2,3,5,6,1,2],dtype=tf.float32,shape=[1,4,4,1])
b = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='VALID')
c = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')
with tf.Session() as sess:
print ("b shape:")
print (b.shape)
print ("b value:")
print (sess.run(b))
print ("c shape:")
print (c.shape)
print ("c value:")
print (sess.run(c))
执行结果：
b shape:
(1, 2, 2, 1)
b value:
[[[[ 9.]
[ 2.]] [[ 6.]
[ 3.]]]]
c shape:
(1, 2, 2, 1)
c value:
[[[[ 9.]
[ 2.]] [[ 6.]
[ 3.]]]]
4、函数及参数：tf.nn.dropout
dropout(
x,
keep_prob,
noise_shape=None,
seed=None,
name=None
)
功能说明：
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| x | 是 | tensor | 输出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否则为 0 |
| keep_prob | 是 | scalar Tensor | dropout 的概率，一般是占位符 |
| noise_shape | 否 | tensor | 默认情况下，每个元素是否 dropout 是相互独立。如果指定 noise_shape，若 noise_shape[i] == shape(x)[i]，该维度的元素是否 dropout 是相互独立，若 noise_shape[i] != shape(x)[i] 该维度元素是否 dropout 不相互独立，要么一起 dropout 要么一起保留 |
| seed | 否 | 数值 | 如果指定该值，每次 dropout 结果相同 |
| name | 否 | string | 运算名称 |
实例：
import tensorflow as tf a = tf.constant([1,2,3,4,5,6],shape=[2,3],dtype=tf.float32)
b = tf.placeholder(tf.float32)
c = tf.nn.dropout(a,b,[2,1],1)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print (sess.run(c,feed_dict={b:0.75}))
执行结果：
[[ 0. 0. 0. ]
[ 5.33333349 6.66666651 8. ]]
5、函数及参数：tf.nn.sigmoid_cross_entropy_with_logits
sigmoid_cross_entropy_with_logits(
_sentinel=None,
labels=None,
logits=None,
name=None
)
功能说明：
先对 logits 通过 sigmoid 计算，再计算交叉熵，交叉熵代价函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| _sentinel | 否 | None | 没有使用的参数 |
| labels | 否 | Tensor | type, shape 与 logits相同 |
| logits | 否 | Tensor | type 是 float32 或者 float64 |
| name | 否 | string | 运算名称 |
实例：
import tensorflow as tf
x = tf.constant([1,2,3,4,5,6,7],dtype=tf.float64)
y = tf.constant([1,1,1,0,0,1,0],dtype=tf.float64)
loss = tf.nn.sigmoid_cross_entropy_with_logits(labels = y,logits = x)
with tf.Session() as sess:
print (sess.run(loss))
执行结果：
[ 3.13261688e-01 1.26928011e-01 4.85873516e-02 4.01814993e+00
5.00671535e+00 2.47568514e-03 7.00091147e+00]
6、函数及参数：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 |
实例：
import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print(tf.Session().run(initial))
执行结果：
将得到一个取值范围 [ -2, 2 ] 的 3 * 3 矩阵
7、函数及参数：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 |
8、函数及参数：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 |
实例：
#!/usr/bin/python import tensorflow as tf
import numpy as np x = tf.placeholder(tf.float32,[None,3])
y = tf.matmul(x,x)
with tf.Session() as sess:
rand_array = np.random.rand(3,3)
print(sess.run(y,feed_dict={x:rand_array}))
执行结果：
输出一个 3x3 的张量
constant、placeholder、variable介绍
9、函数及参数：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 |
实例：
#!/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))
执行结果：
##################(1)################
[[ 0.9146753 0.6688656 -1.160011 0.47780406 -0.75987047 0.12145027
1.9253138 0.47339278 0.35785297 -1.3425105 ]
[ 0.5472313 -1.1619761 0.5283075 -0.18622003 1.2028183 0.11885296
-0.7281785 -0.7120525 1.2409171 -0.6293891 ]
[-0.749 0.6319412 1.2232305 0.84037226 1.3894111 1.6266172
-0.19630633 -0.60519034 -0.04114273 -0.26215535]
[ 1.6056366 -0.34816736 1.8081874 0.616779 0.11021009 -1.8835621
-0.7651011 -1.9168056 0.4641662 -0.49475962]
[-0.19028567 0.5131004 0.6460657 -1.9266285 -0.8439824 0.9123347
-0.06474591 -1.1662508 -0.26887077 -1.0815035 ]
[-0.4873036 -1.286625 0.6506081 -0.6631708 0.14755192 0.6262951
0.26856226 -0.73765683 -0.92605734 -0.06623057]
[-0.63469845 0.53975016 -0.30874643 -0.38573733 0.7492554 -1.0891181
-0.31184393 -0.9791635 -1.5904634 0.42422688]
[-0.25923353 0.3640418 -0.13705702 1.3891985 -0.04305851 0.7362603
-0.04637048 1.5171311 -0.41555843 -1.7395841 ]
[-0.45628768 0.26341474 -0.6413827 -0.03408551 -0.6371565 -0.2707571
-1.0807754 -0.545007 -0.9005748 -0.44123358]
[-0.03599161 -0.93177044 0.12982644 0.7088804 0.35801464 0.11168886
1.227298 0.4929586 1.5796568 0.39961207]]
##################(2)################
[[ 0.9146753 0.6688656]
[ 0.5472313 -1.1619761]]
###################(3)###############
[[22. 22. -1.160011 0.47780406 -0.75987047 0.12145027
1.9253138 0.47339278 0.35785297 -1.3425105 ]
[22. 22. 0.5283075 -0.18622003 1.2028183 0.11885296
-0.7281785 -0.7120525 1.2409171 -0.6293891 ]
[-0.749 0.6319412 1.2232305 0.84037226 1.3894111 1.6266172
-0.19630633 -0.60519034 -0.04114273 -0.26215535]
[ 1.6056366 -0.34816736 1.8081874 0.616779 0.11021009 -1.8835621
-0.7651011 -1.9168056 0.4641662 -0.49475962]
[-0.19028567 0.5131004 0.6460657 -1.9266285 -0.8439824 0.9123347
-0.06474591 -1.1662508 -0.26887077 -1.0815035 ]
[-0.4873036 -1.286625 0.6506081 -0.6631708 0.14755192 0.6262951
0.26856226 -0.73765683 -0.92605734 -0.06623057]
[-0.63469845 0.53975016 -0.30874643 -0.38573733 0.7492554 -1.0891181
-0.31184393 -0.9791635 -1.5904634 0.42422688]
[-0.25923353 0.3640418 -0.13705702 1.3891985 -0.04305851 0.7362603
-0.04637048 1.5171311 -0.41555843 -1.7395841 ]
[-0.45628768 0.26341474 -0.6413827 -0.03408551 -0.6371565 -0.2707571
-1.0807754 -0.545007 -0.9005748 -0.44123358]
[-0.03599161 -0.93177044 0.12982644 0.7088804 0.35801464 0.11168886
1.227298 0.4929586 1.5796568 0.39961207]]
###################(4)###############
[[22. 22. -1.160011 0.47780406 -0.75987047 0.12145027
1.9253138 0.47339278 0.35785297 -1.3425105 ]
[22. 22. 0.5283075 -0.18622003 1.2028183 0.11885296
-0.7281785 -0.7120525 1.2409171 -0.6293891 ]
[-0.749 0.6319412 1.2232305 0.84037226 1.3894111 1.6266172
-0.19630633 -0.60519034 -0.04114273 -0.26215535]
[ 1.6056366 -0.34816736 1.8081874 0.616779 0.11021009 -1.8835621
-0.7651011 -1.9168056 0.4641662 -0.49475962]
[-0.19028567 0.5131004 0.6460657 -1.9266285 -0.8439824 0.9123347
-0.06474591 -1.1662508 -0.26887077 -1.0815035 ]
[-0.4873036 -1.286625 0.6506081 -0.6631708 0.14755192 0.6262951
0.26856226 -0.73765683 -0.92605734 -0.06623057]
[-0.63469845 0.53975016 -0.30874643 -0.38573733 0.7492554 -1.0891181
-0.31184393 -0.9791635 -1.5904634 0.42422688]
[-0.25923353 0.3640418 -0.13705702 1.3891985 -0.04305851 0.7362603
-0.04637048 1.5171311 -0.41555843 -1.7395841 ]
[-0.45628768 0.26341474 -0.6413827 -0.03408551 -0.6371565 -0.2707571
-1.0807754 -0.545007 -0.9005748 -0.44123358]
[-0.03599161 -0.93177044 0.12982644 0.7088804 0.35801464 0.11168886
1.227298 0.4929586 1.5796568 0.39961207]]
####################(5)##############
[[22. 22. -1.160011 0.47780406 -0.75987047 0.12145027
1.9253138 0.47339278 0.35785297 -1.3425105 ]
[22. 22. 0.5283075 -0.18622003 1.2028183 0.11885296
-0.7281785 -0.7120525 1.2409171 -0.6293891 ]
[-0.749 0.6319412 1.2232305 0.84037226 1.3894111 1.6266172
-0.19630633 -0.60519034 -0.04114273 -0.26215535]
[ 1.6056366 -0.34816736 1.8081874 0.616779 0.11021009 -1.8835621
-0.7651011 -1.9168056 0.4641662 -0.49475962]
[-0.19028567 0.5131004 0.6460657 -1.9266285 -0.8439824 0.9123347
-0.06474591 -1.1662508 -0.26887077 -1.0815035 ]
[-0.4873036 -1.286625 0.6506081 -0.6631708 0.14755192 0.6262951
0.26856226 -0.73765683 -0.92605734 -0.06623057]
[-0.63469845 0.53975016 -0.30874643 -0.38573733 0.7492554 -1.0891181
-0.31184393 -0.9791635 -1.5904634 0.42422688]
[-0.25923353 0.3640418 -0.13705702 1.3891985 -0.04305851 0.7362603
-0.04637048 1.5171311 -0.41555843 -1.7395841 ]
[-0.45628768 0.26341474 -0.6413827 -0.03408551 -0.6371565 -0.2707571
-1.0807754 -0.545007 -0.9005748 -0.44123358]
[-0.03599161 -0.93177044 0.12982644 0.7088804 0.35801464 0.11168886
1.227298 0.4929586 1.5796568 0.39961207]]
#####################(6)#############
<dtype: 'float32_ref'>
[[-8.67323399e-01 4.41813141e-01 -3.52488965e-01 -1.76614091e-01
1.00177491e+00 2.64105648e-01 -5.67676127e-01 -5.66444278e-01
-1.11713566e-01 -1.62478304e+00]
[-4.01060373e-01 -1.53238133e-01 1.42307401e+00 1.83093756e-01
-3.86358112e-01 -3.38347167e-01 -7.37435699e-01 4.85668957e-01
-2.23827705e-01 -6.16371274e-01]
[-1.74246800e+00 -1.50056124e+00 4.86318618e-01 2.23255545e-01
-1.32530510e-01 4.32058543e-01 1.63234258e+00 4.27152753e-01
-8.93448740e-02 -1.63452363e+00]
[-5.66304445e-01 1.96294522e+00 -1.79052025e-01 -4.16035742e-01
-1.98147106e+00 9.22261253e-02 1.61968184e+00 -8.48334093e-05
-1.10359132e+00 -9.37306821e-01]
[-1.29361153e+00 -2.19077677e-01 9.65968966e-01 -1.00457764e+00
1.03525579e+00 7.68449605e-01 -2.83788472e-01 -9.96825278e-01
9.89943027e-01 -8.15696597e-01]
[ 1.05699182e+00 4.94321942e-01 5.56545183e-02 -6.78756416e-01
-7.09120393e-01 9.43395719e-02 8.03394914e-02 -3.90621006e-01
1.11901140e+00 1.81483221e+00]
[ 1.01025134e-01 7.93871880e-01 -9.95540798e-01 -1.59315515e+00
6.70278594e-02 -1.59100366e+00 5.90698659e-01 -1.91533327e-01
-1.50902605e+00 1.18755126e+00]
[-1.12480015e-01 -3.39124560e-01 -2.30515420e-01 -5.54720983e-02
1.67964801e-01 -6.07038677e-01 7.68552572e-02 -3.74692559e-01
2.46963039e-01 -3.22560370e-01]
[-8.20123136e-01 -1.29625332e-02 1.89566636e+00 8.59677613e-01
7.04243034e-02 2.64431804e-01 -5.70574045e-01 1.15279579e+00
-2.09608763e-01 1.06412935e+00]
[-6.38129354e-01 -7.22046494e-01 -9.16518748e-01 1.95674682e+00
1.76543847e-01 -1.04135227e+00 -1.37964451e+00 5.35133541e-01
-1.39267373e+00 -1.18439484e+00]]
None
(10, 10)
###################(7)###############
[[1. 1.]
[2. 2.]]
10、函数及参数：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 |
实例：
#!/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)))
执行结果：
3 个 3x2 维张量
11、函数及参数：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(例如不会从二维矩阵降为一维向量) |
| name | 否 | string | 运算名称 |
| reduction_indices | 否 | None | 和 axis 等价，被弃用 |
实例：
#!/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
执行结果：
1.5
[ 1.5 1.5]
[ 1. 2.]
12、函数及参数：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 |
实例：
#!/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))
执行结果：
[[ 4. 4.]
[ 4. 4.]]
13、函数及参数：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 |
实例：
#!/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))
执行结果：
[[ 1. 1.]
[ 4. 4.]]
14、tf.layers.dense()
全连接层，和tf.fully connected layers功能相同，但推荐tf.layers.dense()
tf.layers.dense(
inputs,
units,
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=tf.zeros_initializer(),
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None
)
- inputs:该层的输入。
- units: 输出的大小（维数），整数或long。
- activation: 使用什么激活函数（神经网络的非线性层），默认为None，不使用激活函数。
- use_bias: 使用bias为True（默认使用），不用bias改成False即可。
- kernel_initializer:权重矩阵的初始化函数。 如果为None（默认值），则使用tf.get_variable使用的默认初始化程序初始化权重。
- bias_initializer:bias的初始化函数。
- kernel_regularizer：权重矩阵的正则函数。
- bias_regularizer：bias的的正则函数。
- activity_regularizer:输出的的正则函数。
- kernel_constraint:由优化器更新后应用于内核的可选投影函数（例如，用于实现层权重的范数约束或值约束）。 该函数必须将未投影的变量作为输入，并且必须返回投影变量（必须具有相同的形状）。 在进行异步分布式培训时，使用约束是不安全的。
- bias_constraint:由优化器更新后应用于偏差的可选投影函数。
- trainable:Boolean，如果为True，还将变量添加到图集collectionGraphKeys.TRAINABLE_VARIABLES（参见tf.Variable）。
- name:名字
- reuse:Boolean，是否以同一名称重用前一层的权重。
tensorFlow（一）相关重要函数理解的更多相关文章
- linux新定时器：timefd及相关操作函数
timerfd是Linux为用户程序提供的一个定时器接口.这个接口基于文件描述符,通过文件描述符的可读事件进行超时通知,所以能够被用于select/poll的应用场景. 一,相关操作函数 #inclu ...
- （四） tensorflow笔记：常用函数说明
tensorflow笔记系列: (一) tensorflow笔记:流程,概念和简单代码注释 (二) tensorflow笔记:多层CNN代码分析 (三) tensorflow笔记:多层LSTM代码分析 ...
- (二十四)linux新定时器：timefd及相关操作函数
timerfd是Linux为用户程序提供的一个定时器接口.这个接口基于文件描述符,通过文件描述符的可读事件进行超时通知,所以能够被用于select/poll的应用场景. 一,相关操作函数 #inclu ...
- tensorflow dataloader 相关内容
Tensorflow dataloader 相关调研:数据读取是训练的开始,是非常关键的一步:下面是调研时搜集到的一些相关链接: 十图详解tensorflow数据读取机制 https://zhuanl ...
- 一些PHP选项参数相关的函数
关于 PHP 的配置,我们大多数情况下都是去查看 php.ini 文件或者通过命令行来查询某些信息,其实,PHP 的一些内置函数也可以帮助我们去查看或操作这些配置参数.比如之前我们学习过的 关于php ...
- Scala中Zip相关的函数
在Scala中存在好几个Zip相关的函数,比如zip,zipAll,zipped 以及zipWithIndex等等.我们在代码中也经常看到这样的函数,这篇文章主要介绍一下这些函数的区别以及使用. 1. ...
- OpenGl的glMatrixMode()函数理解
glMatrixMode()函数的参数,这个函数其实就是对接下来要做什么进行一下声明,也就是在要做下一步之前告诉计算机我要对“什么”进行操作了,这个“什么”在glMatrixMode的“()”里的选项 ...
- python字符串 列表 元组 字典相关操作函数总结
1.字符串操作函数 find 在字符串中查找子串,找到首次出现的位置,返回下标,找不到返回-1 rfind 从右边查找 join 连接字符串数组 replace 用指定内容替换指定内容,可以指定次数 ...
- c/c++ 图相关的函数(二维数组法）
c/c++ 图相关的函数(二维数组法) 遍历图 插入顶点 添加顶点间的线 删除顶点 删除顶点间的线 摧毁图 取得与v顶点有连线的第一个顶点 取得与v1顶点,v1顶点之后的v2顶点的之后的有连线的第一个 ...
随机推荐
- ch01 PHP开篇
ch01 PHP开篇 1.1启蒙知识 思考:WAMP是什么?:集成开发环境 [Windows+Apache服务器+MySQL数据库+PHP编程] 1.1.1 站点 将网站所有相关素材都放到一个文件夹中 ...
- Python实现链表
1.1实现单向链表 #链表结构分成2部分 head,tail #('a',('b',('c',none))) #迭代时候 Head is a ;;;; tail is ('b',('c',none)) ...
- Painter's Problem （高斯消元）
There is a square wall which is made of n*n small square bricks. Some bricks are white while some br ...
- Class_fifth
1,统计文件夹的文件总数 代码: package Class_fifth; import java.io.File; public class Statistics { public static v ...
- IP通信基础学习第一周
在IP方向上,IP通信基础是学习其他诸如:数字程教控交换技术与应用.IPV6技术与应用.SDH传输技术与应用等课程的基础. 学习IP通信基础,对学生而言至少可以拿学分,不仅有利于以后的学习,还有机会从 ...
- spring mvc 的上传图片是怎么实现的？
spring mvc 的上传图片是怎么实现的? 导入jar包,commons-io.jar 及 commons-fileupload.jar 在springmvc的配置文件中配置Mutipart解析器 ...
- makefile中的patsubst函数有何作用？
答:这是个模式替换函数,格式为: $(patsubst <pattern>,<replacement>,<text>) 查找text中的单词,如果匹配pattern ...
- UVA1400 "Ray, Pass me the dishes!"
思路 线段树维护最大子段和,只不过这题还要维护左右端点 还是维护pre,suf,sum,ans,只不过每个再多出一个维护端点的变量即可 注意多解讨论的大于号和大于等于号 代码 #include < ...
- (转载)基于Unity~UGUI的简单UI框架（附UIFramework源码）
此博客跟随siki老师的课程笔记生成,感谢siki老师的辛勤付出! 此框架功能较简单,适用于学习,可以很好的锻炼我们的设计思想 框架源码地址: UIFramework litjson.dll下载地址: ...
- java笔记 -- 数学函数与常量
Math类中, 包含了各种数学函数 不用在数学方法名和常量名前添加前缀Math., 只要在源文件的顶部加上这行代码: import static java.lang.Math.*; (静态导入) 例: ...