tensorflow 常用的資料處理函式

reduce_sum(input_tensor, axis=none, keepdims=false, name=none)：求和函式

x = tf.constant([[

1,1,
1],[
1,1,
1]])
tf.reduce_sum(x)
# 6tf.reduce_sum(x,0)
# [2, 2, 2] 每列和
tf.reduce_sum(x,1)
# [3, 3] 每行和
tf.reduce_sum(x,
1, keepdims=
true
)# [[3], [3]]  保持輸入的dim和輸出的dim一致
tf.reduce_sum(x,[0
,1])
# 6

reduce_mean(input_tensor, axis=none, keepdims=false, name=none)：返回平均值

axis = none 表示所有元素的平均值 ，axis=0表示取每一列的平均值，axis=1表示取每一行的平均值。

x =[[

1,2,
3],[
1,2,
3]]xx = tf.cast(x, tf.float32)
a = tf.reduce_mean(xx, axis=0)
tf.tensor([1
.2.3
.], shape=(3
,), dtype=float32)
b = tf.reduce_mean(xx, axis=1)
tf.tensor([2
.2.]
, shape=(2
,), dtype=float32)
c = tf.reduce_mean(xx, axis=
1,keepdims=
true
)tf.tensor([[
2.][
2.]]
, shape=(2
,1), dtype=float32)

one_hot(indices, depth,on_value=none,off_value=none,axis=none,dtype=none, name=none)：獨熱編碼

indices表示輸入的多個數值，通常是矩陣形式

depth表示輸出的尺寸

axis指定第幾階為depth維獨熱向量，預設為-1，即，指定張量的最後一維為獨熱向量

indices中元素預設不超過（depth-1），如果超過，輸出為[0,0,···,0]

若indices是n維向量，輸出矩陣大小為n行depth列

若indices是mxn矩陣，輸出矩陣大小為mxnxdepth

a = tf.one_hot([1

,2,0
],3,axis=-1
)# 最後一維為獨熱編碼，即行
tf.tensor([[
0.1.
0.][
0.0.
1.][
1.0.
0.]]
, shape=(3
,3), dtype=float32)
b = tf.one_hot([1
,2,0
],3,axis=0)
# 0 ，表每一列沒獨熱編碼
tf.tensor([[
0.0.
1.][
1.0.
0.][
0.1.
0.]]
, shape=(3
,3), dtype=float32)

square(x, name=none) ：每個元素取平方

argmax(input, axis=none, output_type=dtypes.int64, name=none)

根據axis取值的不同返回每行或者每列最大值的索引

import tensorflow as tf

import numpy as np
test = np.array([[
1,2,
3],[
2,3,
4],[
5,4,
3],[
8,7,
2]])
a = tf.argmax(test,axis=0)
#每一列，取值最大的位置索引
tf.tensor([3
31], shape=(3
,), dtype=int64)
b = tf.argmax(test,axis=1)
#每一行，取值最大的位置索引
tf.tensor([2
200]
, shape=(4
,), dtype=int64)

reshape(tensor, shape, name=none)：改變tensor的shape

shape引數通常是乙個列表

某乙個維度不知道填什麼數字，可用-1代替，後續會自動推出。

不會修改內部元素的數量以及相對順序

tf.reshape(x,[-

1,2,
1])== tf.reshape(x,[3
,2,1
])## true

expand_dims(input, axis, name)：擴充套件維度，可使用 tf.reshape代替。

>>

> t =[[
1,2,
3],[
4,5,
6]]# shape [2, 3]
>>
> tf.expand_dims(t,0)
,2,3
), dtype=int32, numpy=
array([[
[1,2
,3],
[4,5
,6]]
], dtype=int32)
>
>>
> tf.expand_dims(t,1)
,1,3
), dtype=int32, numpy=
array([[
[1,2
,3]]
,[[4
,5,6
]]], dtype=int32)
>
>>
> tf.expand_dims(t,2)
,3,1
), dtype=int32, numpy=
array([[
[1],
[2],
[3]]
,[[4
],[5
],[6
]]], dtype=int32)
>
>>
> tf.expand_dims(t,-1
)# last dimension index. in this case, same as 2.
,3,1
), dtype=int32, numpy=
array([[
[1],
[2],
[3]]
,[[4
],[5
],[6
]]], dtype=int32)
>

TensorFlow 常用的函式

gettf.shape a 和a.get shape 比較 相同 都可以得到 tensor a 的尺寸不同 tf.shape 中a 資料的型別可以是 tensor,list,array 返回的是乙個 tensor 時。要想知道是多少，必須通過 sess.run tensor.get shape 返回...

tensorflow常用函式

1.variable 主要在於一些可訓練變數 trainable variables 比如模型的權重 weights 或者偏執值 bias 1 宣告時，必須提供初始值 2 在真實訓練時，其值是會改變的，自然事先需要指定初始值 weights tf.variable tf.random normal ...

TensorFlow常用函式

使用tensorflow計算流程 1 prepare train data 2 define model and graph 3 choose optimizer 4 create a session to run import tensorflow as tf 1.tf.reduce mean i...