TensorFlow 代码及用法(持续更新)

想到哪写到哪。也没准哪天直接鸽了。更新速度比较慢，因为还有其他东西要写。

import tensorflow as tf
import numpy as np

A

加法:

tf.add(x,y,name=None)
>>>tf.Session().run(tf.add(3,5))
8

参数更新: 将new_value赋予state

tf.assign(state, new_value)

>>>state = tf.Variable(0, name='counter')
>>>one = tf.constant(1)

>>>new_value = tf.add(state, one)
>>>update = tf.assign(state, new_value)

>>>init = tf.global_variables_initializer()

>>>with tf.Session() as sess:
>>>    sess.run(init)
>>>    for _ in range(3):
>>>        sess.run(update)
>>>        print(sess.run(state))
1
2
3

返回最大索引值的序号:

tf.argmax(input, axis)
>>>sess.run(tf.argmax([1,5,3,2,4],axis=0))
1
>>>sess.run(tf.argmax([[1,5,3,2,4]],axis=1))
array([1])

B

C

创建一个常量甚至可以是字符串:

tf.constant(value,dtype=None,shape=None)
>>>a = tf.constant('hello world!')
>>>tf.Session().run(a)
b'hello world!'

布尔值转化为字符串(也可以让一种dtype转化为另一种,格式不变):

tf.cast(input, dtype)
>>>sess.run(tf.cast([False,True,True,False],tf.float32))
array([0., 1., 1., 0.], dtype=float32)

卷积:

tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')
# 这里strides 最前面和最后面的1是固定的，中间两个分别为横向纵向移动的跨度
# x为输入端  w 为卷积核(卷积层的滤波器)shape为[长,宽，输入的高度,输出的高度]
# padding 有两种 SAME 和 VALID  请注意大小写，一般用SAME

D

E

判断x,y是否相等:

tf.equal(x,y)
>>>sess.run(tf.equal(3,5))
False
>>>sess.run(tf.equal([1,2,5,3,4],[1,2,3,4,5]))
array([ True,  True, False, False, False])

创建单位矩阵:

tf.eye(num_rows,dtype=float32)
>>>sess.run(tf.eye(5))
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]], dtype=float32)

F

G

全局变量初始化(为tensor赋值): 需要在session中运行

tf.global_variables_initializer()

H

I

J

K

L

log(e为底)

tf.log(x)
>>>tf.Session().run(tf.log(2.718))
0.9998963

M

元素之间相乘(x,y必须有相同shape):

tf.multiply(x, y)

>>>sess.run(tf.multiply([1,2,3,4,5],[6,7,8,9,10]))
array([ 6, 14, 24, 36, 50], dtype=int32)

矩阵乘法:   x.shape = [a,b]  y.shape=[b,c]  result.shape=[a,c]

tf.matmul(a,b)
>>>a = np.matrix([1,2,3]).astype('float32')
>>>b = a.T
>>>sess.run(tf.matmul(a,b))
array([[14.]], dtype=float32)

池化:

tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 这里是最大池化(对应另一种方法avg_pool均值池化)
# ksize 第一位和最后一位固定， 中间两位为池化核(池化层滤波器)的形状，这里为[2,2] 一般都是2x2
# strides 为步长，第一位和最后一位依旧固定， 中间两位为横向纵向移动的跨度。
# ksize strides 这里是官方推荐的配置(2x2 移动2个像素)
# padding 依旧分 SAME 和 VALID 

N

为多个变量赋予name， 从中我们也能看到tensorflow的命名规则

with tf.name_scope('l1l1l1'):
    weights = tf.Variable([1,2,3,4,5])
    biases = tf.Variable([6,7,8,9,10])
>>>weights.name
'l1l1l1_1/Variable:0'
>>>biases.name
'l1l1l1_1/Variable_1:0'

O

P

占位符: 这里None表示可以是任何形状[2,1] [3,1]...都可以  通过sess.run喂入数据

tf.placeholder(dtype, shape, name)

>>>xs = tf.placeholder(tf.float32, [None, 1], name='my_input_fn')
>>>sess.run(xs, feed_dict={xs:[[1],[1]]})
array([[1.],
       [1.]], dtype=float32)

Q

R

求和: reduction_indices为0时会把每一列相加，为1时把每一行相加，为None时把所有元素相加

tf.reduce_sum(x, reduction_indices=None)

>>>sess.run(tf.reduce_sum(np.arange(12).reshape(3,4)))
66
>>>sess.run(tf.reduce_sum(np.arange(12).reshape(3,4),reduction_indices=[1]))
array([ 6, 22, 38])

>>>sess.run(tf.reduce_sum(np.arange(12).reshape(3,4),reduction_indices=[0]))
array([12, 15, 18, 21])

求均值: 用法与sum类似

tf.reduce_mean(x, reduction_indices=None)
>>>sess.run(tf.reduce_mean(np.arange(12).reshape(3,4),reduction_indices=None))
5
>>>sess.run(tf.reduce_mean(np.arange(12).reshape(3,4),reduction_indices=[0]))
array([4, 5, 6, 7])
>>>sess.run(tf.reduce_mean(np.arange(12).reshape(3,4),reduction_indices=[1]))
array([1, 5, 9])

生成正态分布随机数: 

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

sess.run(tf.random_normal([3,4]))
array([[ 0.8601933 ,  0.9524955 , -0.91360956, -0.31951234],
       [-1.7907246 , -0.6022119 ,  1.0039297 ,  0.00579996],
       [-1.0887033 , -0.4199891 ,  0.70728874, -1.1816795 ]],
      dtype=float32)

S

将变量加入到tensorboard hist当中:

 tf.summary.histogram(name,value)

将变量加入到tensorboard scalar当中(一般添加loss):

tf.summary.scalar(name,value)

将图形，训练数据等合并，并将图保存下来:

merged = tf.summary.merge_all()
writer = tf.summary.FileWriter('logs/', sess.graph)

for i in train_step:
    # train
    if i % 50 ==0:
        result = sess.run(merged)  #如果用placeholder 别忘了feed数据
        writer.add_summary(result, i)  # 训练步数i作为坐标轴

创建会话:

sess = tf.Session()

>>>a = tf.constant([1,2,3])
<tf.Tensor 'Const_2:0' shape=(3,) dtype=int32>
>>>sess.run(a)
array([1, 2, 3], dtype=int32)

平方:

tf.square(x)

>>>sess.run(tf.square(np.array([5,4,3,2,1])-np.array([1,2,3,4,5])))
array([16,  4,  0,  4, 16])

开方: 负数会出现nan值(没有考虑复数)

tf.sqrt(x)
>>>sess.run(tf.sqrt(np.array([5,4,3,2,1]).astype('float32')-            
                    np.array([1,2,3,4,5]).astype('float32')))

array([2.       , 1.4142135, 0.       ,       nan,       nan],
      dtype=float32)

T

U

V

创建一个变量，默认可以训练:

tf.Variable(shape, name, trainable=True, dtype=None)

 

W

X

Y

Z

创建零矩阵:

tf.zeros(shape,dtype=float32)

>>>sess.run(tf.zeros([3,4]))
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]], dtype=float32)