tensorflow常用函式

1.強制tensor轉換為該資料型別tf.cast(張量名,dtpye=資料型別)。計算張量維度上元素的最小tf.reduce_min(張量名)，計算張量維度上元素的最大值tf.reduce_max(張量名)。

例如：

x1=tf.constant([1

.,2.
,3.]
,dtype=tf.float64)
print
(x1)
x2=tf.cast(x1,tf.int32)
print
(x2)
print
(tf.reduce_min(x2)
,tf.reduce_max(x2)
)

2.計算張量沿著指定維度的平均值tf.reduce_mean(張量名，axis=操作軸)，計算張量沿著指定維度的和tf.reduce_sum(張量名，axis=操作軸)

例如

x = tf.constant([[

1,2,
3],[
2,2,
3]])
print
("x:"
, x)
print
("mean of x:"
, tf.reduce_mean(x)
)# 求x中所有數的均值
print
("sum of x:"
, tf.reduce_sum(x, axis=1)
)# 求每一行的和

3.tf.variable()將變數標記為可訓練，被標記的變數會在反向傳播中記錄梯度資訊。神經網路訓練中常用該函式標記待訓練引數。

4.常用函式對應的四則運算

實現兩個張量的對應元素相加tf.add(張量1，張量2)

實現兩個張量的對應元素相減

tf,sutract(張量1，張量2)

實現兩個張量的對應元素相乘tf,multiply（張量1，張量2)

實現兩個張量的對應元素相除

tf,divide(張量1，張量2)

例如

a = tf.ones([1

,3])
b = tf.fill([1
,3],
3.)print
("a:"
, a)
print
("b:"
, b)
print
("a+b:"
, tf.add(a, b)
)print
("a-b:"
, tf.subtract(a, b)
)print
("a*b:"
, tf.multiply(a, b)
)print
("b/a:"
, tf.divide(b, a)
)

5.實現兩個矩陣相乘

tf.matmul(矩陣1，矩陣2)

例如

a = tf.ones([3

,2])
b = tf.fill([2
,3],
3.)print
("a:"
, a)
print
("b:"
, b)
print
("a*b:"
, tf.matmul(a, b)
)

6.切分傳入張量的第一維度，生成輸入特徵/標籤對，構建資料集data=tf.data.dataset.from_tensor_slices((輸入特徵，標籤))

例如

features = tf.constant([12

,23,10
,17])
labels = tf.constant([0
,1,1
,0])
dataset = tf.data.dataset.from_tensor_slices(
(features, labels)
)for element in dataset:
print
(element)

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...

Tensorflow常用函式

w1 tf.variable tf.random normal 2,3 sttdev 1,seed 1 生成矩陣的均值為0，方差為2。使用seed 1指定隨機種子，可以保證每次執行得到的結果相同。sess.run w1.initializer 初始化w1 sess.run tf.initiable ...