这一部分与其他语言相似,相对于之前的较为容易理解。
1.3.1 control flow operation
-
tf.identity(input,name = None) 返回一个和输入同样形状和值得tensor 类似于复制,但是对之前的值没有影响。
-
tf.tuple(tensors, name=None, control_inputs=None) 传入一个列表,然后列表变为元组,但是我自己的实验结果却仍然是列表,这里搞不清楚。
-
tf.group(*inputs, **kwargs) 传入一堆操作,然后这个操作负责将这一堆操作运行一遍。
-
tf.count_up_to(ref,limit,name = None) ref自动增加直到limit ,返回与ref同type的tensor。这个函数在ref没有达到limit之前,每调用一次就会给ref加1,返回+1前的值。
1.3.2 Logical Operators
-
tf.logical_and(x, y, name=None) 逻辑与 传入都要求是bool型
-
tf.logical_not(x, name=None) 逻辑非
-
tf.logical_or(x, y, name=None) 逻辑或
-
tf.logical_xor(x, y, name='LogicalXor') 逻辑异或
1.3.3 Comparison Operators
-
tf.equal(x, y, name=None) 是否相等
-
tf.not_equal(x, y, name=None) 不等
-
tf.less(x, y, name=None) 小于
-
tf.less_equal(x, y, name=None) 小于等于
-
tf.greater(x, y, name=None) 大于
-
tf.greater_equal(x, y, name=None) 大于等于
-
tf.select(condition, t, e, name=None) 根据condition条件进行选择,如果condition为True,选择t,否则,选择e,condition,t,e都应该有同样的结构。
-
tf.where(input, name=None) 这个我也没有搞清楚是干什么用的。
1.3.3 Debugging Operations
-
tf.is_finite(x, name=None) 是否有限?不知道这个是啥意思
-
tf.is_inf(x, name=None)
-
tf.is_nan(x, name=None) 是否是NAN
-
tf.verify_tensor_all_finite(t, msg, name=None)
-
tf.check_numerics(tensor, message, name=None)
-
tf.add_check_numerics_ops()
-
tf.Assert(condition, data, summarize=None, name=None)
-
tf.Print(input_, data, message=None, first_n=None, summarize=None, name=None)
这部分的函数我搞的都不是很清楚,有知道的,请给与帮忙。