Tensorflow 函数学习笔记

A:

A:## tf.argmax(A, axis).eval() 输出axis维度上最大的数的索引 axis=0:列，axis=1:行

A:## tf.add(a,b) 创建a+b的计算图

A:## tf.assign(a, b) 创建a=b的计算图

state = tf.Variable(0)

new_value = tf.add(state, tf.constant(1))

update = tf.assign(state, new_value)

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    print(sess.run(state))

    for _ in range(3):

        sess.run(update)

        print(sess.run(state))

B:

B:## tf.boolean_mask(a,b)

tensorflow 里的一个函数，在做目标检测（YOLO）时常常用到。

其中b一般是bool型的n维向量，若a.shape=[3,3,3] b.shape=[3,3]

则 tf.boolean_mask(a,b) 将使a (m维)矩阵仅保留与b中“True”元素同下标的部分，并将结果展开到m-1维。

例：应用在YOLO算法中返回所有检测到的各类目标（车辆、行人、交通标志等）的位置信息（bx,by,bh,bw）

a = np.random.randn(3, 3,3)

b = np.max(a,-1)

c=  b >0.5

print("a="+str(a))

print("b="+str(b))

print("c="+str(c))

with tf.Session() as sess:

    d=tf.boolean_mask(a,c)

print("d="+str(d.eval(session=sess)))

>>

a=[[[-1.25508127  1.76972539  0.21302597]

  [-0.2757053  -0.28133549 -0.50394556]

  [-0.70784415  0.52658374 -3.04217963]]

 [[ 0.63942957 -0.76669861 -0.2002611 ]

  [-0.38026374  0.42007134 -1.08306957]

  [ 0.30786828  1.80906798 -0.44145949]]

 [[ 0.22965498 -0.23677034  0.24160667]

  [ 0.3967085   1.70004822 -0.19343556]

  [ 0.18405488 -0.95646895 -0.5863234 ]]]

b=[[ 1.76972539 -0.2757053   0.52658374]

 [ 0.63942957  0.42007134  1.80906798]

 [ 0.24160667  1.70004822  0.18405488]]

c=[[ True False  True]

 [ True False  True]

 [False  True False]]

d=[[-1.25508127  1.76972539  0.21302597]

 [-0.70784415  0.52658374 -3.04217963]

 [ 0.63942957 -0.76669861 -0.2002611 ]

 [ 0.30786828  1.80906798 -0.44145949]

 [ 0.3967085   1.70004822 -0.19343556]]

C:

C:## tf.cast(x, dtype, name=None) 将x转换为dtype类型

C:## tf.convert_to_tensor(a) 转化为tensorflow张量

C:## tf.constant(? ?) 创建常量

# Constant 1-D Tensor populated with value list.

tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7]

# Constant 2-D tensor populated with scalar value -1.

tensor = tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.][-1. -1. -1.]]

D:

E:

E:## tf.equal(A,B) 判断A，B是否相等输出 true and false

F:

G:

G:## tf.global_variables_initializer() 全局变量初始函数

H:

I:

J:

K:

L:

L:## tf.linspace (10.0, 12.0, 3, name="linspace") 创建等差数列

tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0  11.0  12.0]

M:

M:## tf.matmul(w,x) 矩阵乘法

w = tf.Variable([[0.5,1.0]])

x = tf.Variable([[2.0],[1.0]])

y = tf.matmul(w, x)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init_op)

    print (y.eval())   #tf中显示变量值需加.eval

>> [[ 2.]]

N:

N:## tf.nn.softmax (A) 求A的softmax值

N:## tf.nn.sigmoid(A) 计算sigmoid

N:## tf.nn.relu(A) 计算relu

N:## tf.nn.softmax_cross_entropy_with_logits(pred, y) 交叉熵函数

仅求得y*log(a),未经过求和操作。要求得求和的交叉熵，还要使用tf.reduce_sum

O:

O:## tf.ones(shape,dtype) 创建全1阵

tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]

O:## tf.ones_like(tensor) 创建tensor同维的全1阵

# 'tensor' is [[1, 2, 3], [4, 5, 6]]

tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]

P:

P:## tf.placeholder(dtype, shape=None, name=None) 创建占位符

input1 = tf.placeholder(tf.float32)

input2 = tf.placeholder(tf.float32)

output = tf.mul(input1, input2)

with tf.Session() as sess:

    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))    #需要以字典方式赋值

》[[ 0.  0.  0.]

 [ 0.  0.  0.]

 [ 0.  0.  0.]]

P:## tf.pad()

for example：

t=[[2,3,4],[5,6,7]],paddings=[[1,1],[2,2]]，mode="CONSTANT"

那么sess.run(tf.pad(t,paddings,"CONSTANT"))的输出结果为：

array([[0, 0, 0, 0, 0, 0, 0],
[0, 0, 2, 3, 4, 0, 0],
[0, 0, 5, 6, 7, 0, 0],
[0, 0, 0, 0, 0, 0, 0]], dtype=int32)

可以看到，上，下，左，右分别填充了1,1,2,2行刚好和paddings=[[1,1],[2,2]]相等，零填充

Q:

R:

R:## tf.range(start, limit, delta) 创建等差数列start->limit 步长delta

tf.range(start, limit, delta) ==> [3, 6, 9, 12, 15]

R:## tf.random_uniform(shape[], -1.0, 1.0) 创建[-1,1]内的随机数矩阵

R:## tf.random_normal(shape, mean=-1, stddev=4) 创建随机数矩阵服从mean=-1,stddev=4的高斯分布

R:## tf.random_shuffle(c) 洗牌，打乱矩阵c

norm = tf.random_normal([2, 3], mean=-1, stddev=4)

# Shuffle the first dimension of a tensor

c = tf.constant([[1, 2], [3, 4], [5, 6]])

shuff = tf.random_shuffle(c)

# Each time we run these ops, different results are generated

sess = tf.Session()

print (sess.run(norm))

print (sess.run(shuff))

>>[[-0.30886292  3.11809683  3.29861784]

 [-7.09597015 -1.89811802  1.75282788]]

[[3 4]

 [5 6]

 [1 2]]

R:## tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None) 求平均值

R:## tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None) 求最大值

R:## tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None) 求和

参数1--input_tensor:待求值的tensor。

参数2--reduction_indices:在哪一维上求解。

R:## tf.rank(A).eval() 输出矩阵维度

S:

S:## tf.square(a) 求a的平方

S:## tf.shape(A).eval() 输出矩阵各维度元素个数

S:## tf.slice()

1，函数原型 tf.slice(inputs,begin,size,name='')

2，用途：从inputs中抽取部分内容

inputs：可以是list,array,tensor

begin：n维列表，begin[i] 表示从inputs中第i维抽取数据时，相对0的起始偏移量，也就是从第i维的begin[i]开始抽取数据

size：n维列表，size[i]表示要抽取的第i维元素的数目

有几个关系式如下:

（1） i in [0,n]

（2）tf.shape(inputs)[0]=len(begin)=len(size)

（3）begin[i]>=0 抽取第i维元素的起始位置要大于等于0

（4）begin[i]+size[i]<=tf.shape(inputs)[i]

例子详见：http://blog.csdn.net/chenxieyy/article/details/53031943

T:

T:## tf.train.SummaryWriter("./tmp", sess.graph) 生成tensorflow 可视化图表并保存到路径

T:## tf.train.GradientDescentOptimizer(learining_rate).minimize(loss) 梯度下降优化器

learning_rate = 学习率

loss = 系统成本函数

T:## tf.train.Saver() 保存训练模型

#tf.train.Saver

w = tf.Variable([[0.5,1.0]])

x = tf.Variable([[2.0],[1.0]])

y = tf.matmul(w, x)

init_op = tf.global_variables_initializer()

saver = tf.train.Saver()

with tf.Session() as sess:

    sess.run(init_op)

# Do some work with the model.

# Save the variables to disk.

    save_path = saver.save(sess, "C://tensorflow//model//test")

    print ("Model saved in file: ", save_path)

>>Model saved in file:  C://tensorflow//model//test

U:

V:

V:## tf.Variable(？？) 创建tf变量

W:

X:

Y:

Z:

Z:## tf.zeros(shape, dtype) 创建全零阵

tf.zeros([3, 4], int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]

Z:## tf.zeros_like(tensor) 创建矩阵tensor同维的全零阵

# 'tensor' is [[1, 2, 3], [4, 5, 6]]

tf.zeros_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]