tf python 发布 tf.numpy

一、tensorflow基本使用

 1、tf基本用法 import tensorflow as tf

　①创建变量

　

tf.constant(val, dtype=None,shape=None,name='Const', verify_shape=False)
　　tf.fill(dims, value, name=None)shape, dtype=tf.float32, name=None)
　　tf.zeros_like(tensor, dtype=None, name=None)　　tf.ones(shape, dtype=tf.float32, name=None)
　　tf.ones_like(tensor, dtype=None, name=None)

序列 

tf.range(start, limit, delta=1, name='range')
tf.linspace(start, stop, num, name=None)

　③随机数

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_shuffle(value, seed=None, name=None)  # value is a list　　tf.Variable(initial_value=None, name=None, shape=None, dtype=None [,……])

Variable变量只能用上述的类型来初始化，或者简单的初始化为一个数0。用处有weights biaes globa_step这些在训练中变动的量。

# 
x = tf.constant( [1,2,3,4,5]) #定义了一个向量
x = tf.constant( -1.0,shape=(2,3),dtype=float16) # shape(2,3)全用-1.0填充

import tensorflow as tf

tensor1 = tf.linspace(1.0, 10.0, 7, name="linspace")
tensor2 = tf.Variable(tf.random_uniform([2, 3], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name="v8_1"))

sess = tf.Session()
with sess.as_default():
    print('tensor1 is :', tensor1.eval（))
    
    sess.run(tf.global_variables_initializer())  # 所有变量的赋值和计算都需要sess.run()完成，此处是所有变量集体初始化
    result = sess.run(tensor2)
    print(type(result), '\n', result)

2、tf矩阵切片与连接 

　　tf.slice(input_, begin, size, name=None)  # 重要的两个参数 起始位置和大小

　　tf.concat([a, b], axis=0)

# test of tf.slice
import tensorflow as tf

tensor1 = tf.Variable(tf.truncated_normal(shape=[3, 5], dtype=tf.float32))
tensor2 = tf.slice(tensor1, [1, 2], [2, 3])

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print('tensor1 is :\n', sess.run(tensor1))
    result = sess.run(tensor2)
    print(type(result), '\n', result)
# test of tf.concat
import tensorflow as tf
tf.InteractiveSession()

a = tf.Variable(tf.random_normal(shape=[2, 2], dtype=tf.float32))
b = tf.Variable(tf.random_normal(shape=[2, 2], dtype=tf.float32))
c1 = tf.concat([a, b], axis=0)

tf.global_variables_initializer().run()
print(c1.eval（))

 

 

3、矢量运算   

　关于运算都需要sess.run()输出结果，以下x y的数据类型可以是list ndarray tf数据

　①一元函数 点击查看

　

tf.sin(x)、tf.cos(x)、tf.tan(x)、tf.asin(x)、tf.acos(x)、tf.atan(x)
　　tf.negative(x)、tf.reciprocal(x)、tf.abs(x)、tf.round(x)、tf.ceil(x)、tf.floor(x)  # 负数 导数
　　tf.sqrt(x)、tf.exp(x)、tf.log(x)

　②二元函数

　　tf.add(x,y)、tf.subtract(x,y)、tf.multiply(x,y)、tf.divide(x,y)、tf.mod(x,y)、tf.mod(x,y)

import tensorflow as tf

with tf.device('/cpu:0'):
    a = tf.constant(8.0, shape=(3,))
    b = tf.placeholder(tf.float32, shape=(3,))
    c = tf.divide(a, b)
    d = tf.truediv(a, b)
    e = tf.div(a, b)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    c, d, e = sess.run([c, d, e], feed_dict={b: [3, 5, 7]})  # feed_dict = {b : np.array([3,5,7]) }
    print(c, d, e, sep='\n')

 

tf.placeholder(tf.float32,shape(3,))占位符作为整个计算图的输入部分，在sess.run时用feed_dict填入真实数据。

tf.Variable具有占位符功能，但缺少shape这个变量就不太好用了！

import tensorflow as tf
import numpy as np

x = tf.Variable(tf.constant(0, shape=(2, 3)))
y = tf.round(x)
data = np.random.uniform(-10, 10, 6).reshape(2, 3)


with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(y, feed_dict={x: data})
    print(type(res), ':\n', res)

print('the numpy data is:\n', data)

Variable的占位符功能

　③矩阵运算

　

tf.matual(a,b,  transpose_a=False,transpose_b=False,adjoint_a=False,adjoint_b=False,name=None)
　　tf.transpose(input，perm)  # 维度转换 　perm=[1,0]用以矩阵轴变换
)  # 方阵行列式的值
　　tf.matrix_inverse(x)  # 方阵的逆
　　tf.svd(x)  # 奇异值分解
　　tf.qr(x)  # QR分解
　　tf.norm(x)  # 求张量范数

 4、axis ：reduce various dimensions of a tensor

None, keep_dims=False, name=None)

　　tf.reduce_mean(x,axes)   # keep_dims name

　　tf.reduce_max(x,axes)

　　tf.reduce_min(x,axes)

　　tf.reduce_all(x,axes)   # 在指定维度上的逻辑与

　　tf.reduce_any(x,axes)   # 在制定维度上的逻辑或

　　tf.reduce_prod(x,axes)   # 返回一个单一的值 所有元素的乘积

　　----------------------------------------------------------- 以上和numpy的都相同

　　tf.accumulate_n([x,y,z……])   # add只能tf.(x,y)对两个tensor运算，accumulate_n相当于扩展了add的功能　　　　

　　tf.count_nonzero(x)   

　⑤索引提取

　　# x if condition else y, condition。 condition为bool类型的 可用tf.equal()或[False, True, False] 

　　tf.where(condition, x=None, y=None, name=None)　　# 对应之前版本的tf.select；下面例子中试试tf.where(True,tensor1,tensor2)，返回[1,7,9]

tf.argmax(x, axes=None, name=None, output_type=tf.int64)　　# 返回沿着坐标轴方向的最大/最小值的索引

　　tf.argmin(x, axes=None, name=None, output_type=tf.int64)

import tensorflow as tf
import numpy as np

tensor1 = tf.constant([1, 7, 9])
tensor2 = tf.constant([32, 54, 87])
tensor3 = tf.where(np.array([False, True, False]), tensor1, tensor2)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    result = sess.run(tensor3)
    print(result)

 

 2021-08-28　20:17:34