TensorFlow常用生成tensor函数

更多函数的使用：http://blog.csdn.net/lenbow/article/details/52152766

参考博客：http://www.mamicode.com/info-detail-1823840.html

生成全0和全1的矩阵

tf.ones(shape,type=tf.float32,name=None)
tf.zeros(shape, type=tf.float32,name=None)

>>> x = tf.zeros([2, 3])
>>> sess.run(x)
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]], dtype=float32)
>>> y = tf.ones([2, 3])
>>> sess.run(y)
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.]], dtype=float32)

tf.ones_like(tensor,dype=None,name=None) 

tf.zeros_like(tensor,dype=None,name=None) 
新建一个与给定的tensor类型大小一致的tensor，其所有元素为1和0

>>> xx = tf.ones_like(x)
>>> sess.run(xx)
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.]], dtype=float32)
>>> yy = tf.zeros_like(y)
>>> sess.run(yy)
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]], dtype=float32)

tf.fill(shape,value,name=None) 
创建一个形状大小为shape的tensor，其初始值为value

>>> z = tf.fill([2, 3], 2)
>>> sess.run(z)
array([[2, 2, 2],
       [2, 2, 2]])

生成随机数：

（1）tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None) 

random_normal: 正太分布随机数，均值mean,标准差stddev 

（2）tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 

truncated_normal:截断正态分布随机数，均值mean,标准差stddev,不过只保留[mean-2*stddev,mean+2*stddev]范围内的随机数 

（3）tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None) 

random_uniform:均匀分布随机数，范围为[minval,maxval]

（4）tf.random_shuffle(value,seed=None,name=None) 
沿着value的第一维进行随机重新排列

>>> sess.run(tf.random_normal([2, 3], 0.0, 0.05))
array([[-0.09716501, -0.00082436,  0.00082046],
       [ 0.04063983,  0.06137555, -0.03889754]], dtype=float32)
>>> sess.run(tf.random_uniform([2, 3], 1, 6))
array([[ 1.53847492,  4.09809971,  2.94473267],
       [ 4.00791836,  3.95637321,  5.24030209]], dtype=float32)

>>> c = tf.constant([[1, 2, 3],[4, 5, 6]])
>>> sess.run(tf.random_shuffle(c))
array([[4, 5, 6],
       [1, 2, 3]])

tf.constant

tf.constant(value,dtype=None,shape=None,name=’Const’) 

>>> sess = tf.InteractiveSession()
>>> a = tf.constant(2, tf.float32, [2, 3])
>>> a.eval()
array([[ 2.,  2.,  2.],
       [ 2.,  2.,  2.]], dtype=float32)
>>> a = tf.constant(2., shape=[2, 3])
>>> a.eval()
array([[ 2.,  2.,  2.],
       [ 2.,  2.,  2.]], dtype=float32)

tf.shape(Tensor) 

返回张量的形状，tf.shape函数本身也是返回一个张量

>>> sess.run(tf.shape(x))
array([2, 3])

tf.expand_dims(Tensor, dim) 

为tensor增维和降维

>>> a = tf.zeros([3])
>>> sess.run(tf.shape(a))
array([3])
>>> sess.run(tf.shape(tf.expand_dims(a, 0)))
array([1, 3])
>>> sess.run(tf.shape(tf.expand_dims(a, 1)))
array([3, 1])

基本算术运算

 

操作	描述
tf.add(x, y, name=None)	求和
tf.sub(x, y, name=None)	减法
tf.mul(x, y, name=None)	乘法
tf.div(x, y, name=None)	除法
tf.mod(x, y, name=None)	取模
tf.abs(x, name=None)	求绝对值
tf.neg(x, name=None)	取负 (y = -x).
tf.sign(x, name=None)	返回符号 y = sign(x) = -1 if x < 0; 0 if x == 0; 1 if x > 0.
tf.inv(x, name=None)	取反
tf.square(x, name=None)	计算平方 (y = x * x = x^2).
tf.round(x, name=None)	舍入最接近的整数 # ‘a’ is [0.9, 2.5, 2.3, -4.4] tf.round(a) ==> [ 1.0, 3.0, 2.0, -4.0 ]
tf.sqrt(x, name=None)	开根号 (y = \sqrt{x} = x^{1/2}).
tf.pow(x, y, name=None)	幂次方  # tensor ‘x’ is [[2, 2], [3, 3]] # tensor ‘y’ is [[8, 16], [2, 3]] tf.pow(x, y) ==> [[256, 65536], [9, 27]]
tf.exp(x, name=None)	计算e的次方
tf.log(x, name=None)	计算log，一个输入计算e的ln，两输入以第二输入为底
tf.maximum(x, y, name=None)	返回最大值 (x > y ? x : y)
tf.minimum(x, y, name=None)	返回最小值 (x < y ? x : y)
tf.cos(x, name=None)	三角函数cosine
tf.sin(x, name=None)	三角函数sine
tf.tan(x, name=None)	三角函数tan
tf.atan(x, name=None)	三角函数ctan

矩阵运算

 

操作	描述
tf.diag(diagonal, name=None)	返回一个给定对角值的对角tensor # ‘diagonal’ is [1, 2, 3, 4] tf.diag(diagonal) ==>  [[1, 0, 0, 0] [0, 2, 0, 0] [0, 0, 3, 0] [0, 0, 0, 4]]
tf.diag_part(input, name=None)	功能与上面相反
tf.trace(x, name=None)	求一个2维tensor足迹，即对角值diagonal之和
tf.transpose(a, perm=None, name=’transpose’)	调换tensor的维度顺序 按照列表perm的维度排列调换tensor顺序， 如为定义，则perm为(n-1…0) # ‘x’ is [[1 2 3],[4 5 6]] tf.transpose(x) ==> [[1 4], [2 5],[3 6]] # Equivalently tf.transpose(x, perm=[1, 0]) ==> [[1 4],[2 5], [3 6]]
tf.matmul(a, b, transpose_a=False,  transpose_b=False, a_is_sparse=False,  b_is_sparse=False, name=None)	矩阵相乘
tf.matrix_determinant(input, name=None)	返回方阵的行列式
tf.matrix_inverse(input, adjoint=None, name=None)	求方阵的逆矩阵，adjoint为True时，计算输入共轭矩阵的逆矩阵
tf.cholesky(input, name=None)	对输入方阵cholesky分解， 即把一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解A=LL^T
tf.matrix_solve(matrix, rhs, adjoint=None, name=None)	求解tf.matrix_solve(matrix, rhs, adjoint=None, name=None) matrix为方阵shape为[M,M],rhs的shape为[M,K]，output为[M,K]

复数操作

 

操作	描述
tf.complex(real, imag, name=None)	将两实数转换为复数形式 # tensor ‘real’ is [2.25, 3.25] # tensor imag is [4.75, 5.75] tf.complex(real, imag) ==> [[2.25 + 4.75j], [3.25 + 5.75j]]
tf.complex_abs(x, name=None)	计算复数的绝对值，即长度。 # tensor ‘x’ is [[-2.25 + 4.75j], [-3.25 + 5.75j]] tf.complex_abs(x) ==> [5.25594902, 6.60492229]
tf.conj(input, name=None)	计算共轭复数
tf.imag(input, name=None) tf.real(input, name=None)	提取复数的虚部和实部
tf.fft(input, name=None)	计算一维的离散傅里叶变换，输入数据类型为complex64

归约计算(Reduction)

 

操作	描述
tf.reduce_sum(input_tensor, reduction_indices=None,  keep_dims=False, name=None)	计算输入tensor元素的和，或者安照reduction_indices指定的轴进行求和 # ‘x’ is [[1, 1, 1] # [1, 1, 1]] tf.reduce_sum(x) ==> 6 tf.reduce_sum(x, 0) ==> [2, 2, 2] tf.reduce_sum(x, 1) ==> [3, 3] tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] tf.reduce_sum(x, [0, 1]) ==> 6
tf.reduce_prod(input_tensor,  reduction_indices=None,  keep_dims=False, name=None)	计算输入tensor元素的乘积，或者安照reduction_indices指定的轴进行求乘积
tf.reduce_min(input_tensor,  reduction_indices=None,  keep_dims=False, name=None)	求tensor中最小值
tf.reduce_max(input_tensor,  reduction_indices=None,  keep_dims=False, name=None)	求tensor中最大值
tf.reduce_mean(input_tensor,  reduction_indices=None,  keep_dims=False, name=None)	求tensor中平均值
tf.reduce_all(input_tensor,  reduction_indices=None,  keep_dims=False, name=None)	对tensor中各个元素求逻辑’与’ # ‘x’ is  # [[True, True] # [False, False]] tf.reduce_all(x) ==> False tf.reduce_all(x, 0) ==> [False, False] tf.reduce_all(x, 1) ==> [True, False]
tf.reduce_any(input_tensor,  reduction_indices=None,  keep_dims=False, name=None)	对tensor中各个元素求逻辑’或’
tf.accumulate_n(inputs, shape=None,  tensor_dtype=None, name=None)	计算一系列tensor的和 # tensor ‘a’ is [[1, 2], [3, 4]] # tensor b is [[5, 0], [0, 6]] tf.accumulate_n([a, b, a]) ==> [[7, 4], [6, 14]]
tf.cumsum(x, axis=0, exclusive=False,  reverse=False, name=None)	求累积和 tf.cumsum([a, b, c]) ==> [a, a + b, a + b + c] tf.cumsum([a, b, c], exclusive=True) ==> [0, a, a + b] tf.cumsum([a, b, c], reverse=True) ==> [a + b + c, b + c, c] tf.cumsum([a, b, c], exclusive=True, reverse=True) ==> [b + c, c, 0]

序列比较与索引提取(Sequence Comparison and Indexing)

 

操作	描述
tf.argmin(input, dimension, name=None)	返回input最小值的索引index
tf.argmax(input, dimension, name=None)	返回input最大值的索引index
tf.listdiff(x, y, name=None)	返回x，y中不同值的索引
tf.where(input, name=None)	返回bool型tensor中为True的位置 # ‘input’ tensor is  #[[True, False] #[True, False]] # ‘input’ 有两个’True’,那么输出两个坐标值. # ‘input’的rank为2, 所以每个坐标为具有两个维度. where(input) ==> [[0, 0], [1, 0]]
tf.unique(x, name=None)	返回一个元组tuple(y,idx)，y为x的列表的唯一化数据列表， idx为x数据对应y元素的index # tensor ‘x’ is [1, 1, 2, 4, 4, 4, 7, 8, 8] y, idx = unique(x) y ==> [1, 2, 4, 7, 8] idx ==> [0, 0, 1, 2, 2, 2, 3, 4, 4]
tf.invert_permutation(x, name=None)	置换x数据与索引的关系 # tensor x is [3, 4, 0, 2, 1] invert_permutation(x) ==> [2, 4, 3, 0, 1]