Tensorflow深度学习之六：基础函数简介（持续更新中）

最新推荐文章于 2024-01-19 14:23:58 发布
最新推荐文章于 2024-01-19 14:23:58 发布
阅读量2.3k 收藏 3
点赞数
分类专栏： 深度学习 Tensorflow 文章标签： 深度学习 Tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DaVinciL/article/details/75349240
版权

1、tf.clip_by_value（）函数

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 定义一个list，填入一些数据
a = [1.0,2.0,3.1,4.3,5.6,2.4,6.7,1e-6,1e-7,0]

# 使用tf.clip_by_value函数进行处理，并返回处理过的tensor
# clip_by_value(t, clip_value_min, clip_value_max,name=None)
# t：待处理的tensor，或是一个list等
# clip_value_min：需要过滤的最小值，若t中存在比该值还小的值，一律换成clip_value_min
# clip_value_max：需要过滤的最大值，若t中存在比该值还大的值，一律换成clip_value_max
# name：名称
a = tf.clip_by_value(a,1e-5,5.0)

print(a.eval())

程序运行结果：（由于某些原因，计算结果会有一定的误差）

[  1.00000000e+00   2.00000000e+00   3.09999990e+00   4.30000019e+00
   5.00000000e+00   2.40000010e+00   5.00000000e+00   9.99999975e-06
   9.99999975e-06   9.99999975e-06]

2、tf.log（）函数

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 以自然底数e为底求log
# log(x, name=None)
# x:待处理的数据，可以是一个数字，或是一个list，一个tensor
# name:名称

# tf.log处理数字
a = tf.log(3.2)

print(a.eval())

# 定义一个list。注意：这里1e3中的e表示的是底数为10，即1e3 = 1000
b = [1.2,3.5,1.0,33.0,4.5,1e3]

# 处理并输出
print(tf.log(b).eval())

结果如下：

1.16315
[ 0.18232159  1.25276303  0.          3.49650764  1.50407743  6.90775537]

3、tf.random_normal（）函数
此函数用于生成一个满足正态分布的随机矩阵。

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 定义一个4*4大小的满足正态分布的随机数矩阵的tensor
# random_normal(shape,mean=0.0,stddev=1.0,dtype=dtypes.float32,seed=None,name=None)
# shape:需要使用的矩阵的大小，
# mean:定义该正态分布的均值，默认为0.0
# stddev:定义该正态分布的标准差，默认为1.0
# dtype:定义该正态函数需要返回的数据类型，默认为dtypes.float32
# seed:随机数种子
# name:名称

a = tf.random_normal(shape=[4,4],mean=0.0,stddev=1.0,dtype=tf.float32)

# 初始化全局变量，这里初始化变量a
# 注意：上面的代码只是定义了一个正态分布的tensor，并没有对其进行初始化操作。
tf.global_variables_initializer().run()

# 输出结果
print(a.eval())

结果如下：（因为是随机数，结果可能会不同）

[[ 1.16927314 -4.32263422  1.51416755  0.54710573]
 [ 0.9023155  -0.54921377  2.54586959  1.3882997 ]
 [ 0.03705916 -1.51378703 -0.11003169  0.54481208]
 [ 2.49299335 -0.3481389   0.35201314 -0.01697667]]

4、tf.truncated_normal（）函数
此函数生成一个满足正态分布的随机矩阵，但是若随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机。

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 定义一个4*4大小的满足正态分布的随机数矩阵的tensor,
# 若随机出来的值偏离平均值超过2个标准差，这个数将会被重新随机。
# truncated_normal(shape,mean=0.0,stddev=1.0,dtype=dtypes.float32，
#                  seed=None,name=None)
# shape:需要使用的矩阵的大小
# mean:定义该正态分布的均值，默认为0.0
# stddev:定义该正态分布的标准差，默认为1.0
# dtype:定义该正态函数需要返回的数据类型，默认为dtypes.float32
# seed:随机数种子
# name:名称

a = tf.truncated_normal(shape=[4,4],mean=0.0,stddev=1.0,dtype=tf.float32)

# 初始化全局变量，这里初始化变量a
# 注意：上面的代码只是定义了一个正态分布的tensor，并没有对其进行初始化操作。
tf.global_variables_initializer().run()

# 输出结果
print(a.eval())

结果如下：（因为是随机数，运行结果或有不同）

[[ 0.58962458 -1.22099793 -0.59211946  0.74239469]
 [-0.36040574  0.07556695 -0.17711069  0.58110112]
 [ 0.30555129 -1.07891178  0.58693099 -0.64367592]
 [-0.31201413  0.62419111 -0.03405878 -0.37147731]]

5、tf.random_uniform（）函数
生成的值遵循“[minval，maxval)”范围内的均匀分布。 下限“minval”包含在范围内，而上限“maxval”被排除。

对于浮点数，默认范围是[0，1）。 对于int，至少必须明确指定maxval。

在整数的情况下，随机整数稍微有偏差，除非’maxval - minval`是两个精确的幂。 对于“maxval - minval”的值，偏差小于输出范围（“2^32”或“2^64”）的偏差。

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 定义一个4*4大小的满足平均分布的随机数矩阵tensor
# random_uniform(shape,minval=0,maxval=None,dtype=dtypes.float32,seed=None,name=None)
# shape:需要使用的矩阵的大小，
# minval:定义该平均分布的所使用的最小值，默认为0
# maxval:定义该平均分布的所使用的最大值，默认为None
# dtype:定义该平均分布需要返回的数据类型，默认为dtypes.float32
# seed:随机数种子
# name:名称

a = tf.random_uniform(shape=[4,4],minval=-1.0,maxval=3.0,dtype=tf.float32)

# 初始化全局变量，这里初始化变量a
# 注意：上面的代码只是定义了一个平均分布的tensor，并没有对其进行初始化操作。
tf.global_variables_initializer().run()

# 输出结果
print(a.eval())

结果如下：（因为是随机数，结果或有不同）

[[ 1.33845615 -0.14620924  2.13644695  2.05494165]
 [ 0.65009499  1.14196253 -0.95955133  2.88642359]
 [ 1.80061817  0.49589825  2.1307044   0.98014498]
 [ 1.03237772 -0.87565374  2.63588428  1.8114686 ]]

6、tf.zeros（）和tf.ones（）函数

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 返回一个指定大小矩阵的全为0的tensor
# zeros(shape, dtype=dtypes.float32, name=None)
# shape :需要使用的矩阵的大小
# dtype :需要使用的数据的类型，默认为dtype.float32
# name :名称
a = tf.zeros(shape=[4,4],dtype=tf.float32)

# 返回一个指定大小矩阵的全为1的tensor
# ones(shape, dtype=dtypes.float32, name=None)
# shape :需要使用的矩阵的大小
# dtype :需要使用的数据的类型，默认为dtype.float32
# name :名称
b = tf.ones(shape=[4,4],dtype=tf.float32)

# 初始化全局变量
tf.global_variables_initializer().run()

# 输出a
print("a矩阵如下:\n",a.eval())

# 输出b
print("b矩阵如下:\n",b.eval())

结果如下：

a矩阵如下:
 [[ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]]
b矩阵如下:
 [[ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]]

tf.zeros()和tf.ones()更多的时候用来对变量进行初始化，如：

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 返回一个指定大小矩阵的全为0的tensor变量a
a = tf.Variable(tf.zeros(shape=[5,5],dtype=tf.float32))

# 初始化全局变量
tf.global_variables_initializer().run()

# 输出a
print("变量a矩阵如下:\n",a.eval())

结果如下：

变量a矩阵如下:
 [[ 0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.]]

上面所说的各种分布函数也可以对变量进行初始化，在此不再赘述。
7、tf.fill（）函数
此函数创建并返回一个指定维度的矩阵的tensor，并填充指定的数值。

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 返回一个指定大小矩阵的全为0的tensor变量a
# fill(dims, value, name=None)
# dims:指定生成的矩阵的维度
# value:指定生成的矩阵的数值
# name:名称

a = tf.fill(dims=[3,4],value=9.0)

b = tf.fill(dims=[3,4,5],value=8)

# 初始化全局变量
tf.global_variables_initializer().run()

# 输出a
print("a矩阵如下:\n",a.eval())

# 输出b
print("b矩阵如下:\n",b.eval())

结果如下：

a矩阵如下:
 [[ 9.  9.  9.  9.]
 [ 9.  9.  9.  9.]
 [ 9.  9.  9.  9.]]
b矩阵如下:
 [[[8 8 8 8 8]
  [8 8 8 8 8]
  [8 8 8 8 8]
  [8 8 8 8 8]]

 [[8 8 8 8 8]
  [8 8 8 8 8]
  [8 8 8 8 8]
  [8 8 8 8 8]]

 [[8 8 8 8 8]
  [8 8 8 8 8]
  [8 8 8 8 8]
  [8 8 8 8 8]]]

8、tf.constant（）函数
此函数创建一个常量tensor。这个常量可以使数字，字符串，list等数据类型。

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# constant(value, dtype=None, shape=None, name="Const", verify_shape=False)
#
# 结果tensor使用`dtype`类型的值填充，由参数`value`和（可选）`shape`指定（见下面的例子）。
#
# 参数`value`可以是一个常量值，也可以是'dtype'类型的值列表。 如果“value”是一个list，则list的长度必须小于或等于“shape”参数（如果指定）隐含的元素数。 在列表长度小于“shape”指定的元素数量的情况下，列表中的最后一个元素将用于填充剩余的条目。
#
# 参数`shape`是可选的。 如果存在，它指定所得张量的尺寸。 如果不存在，则使用“value”的形状。
#
# 如果没有指定参数`dtype`，那么从`value`的类型推断出类型。
#
# value:输出类型为'dtype'的常量值（或list）。
# dtype:所得tensor的元素的类型。
# shape:所得tensor的可选尺寸。
# name:tensor的可选名称。
# verify_shape:启用验证值形状的布尔值

# 定义一个数值型常量
a = tf.constant(10.0 ,dtype=tf.float32)

# 定义一个string类型的字符串常量
b = tf.constant("hello world!",dtype=tf.string)

# 定义一个矩阵常量，参考shape参数
c = tf.constant([1.0,2.0,3.0,4.0,5.0,6.0], dtype=tf.float32,shape=[3,2])

# 定义一个填充的矩阵变量
d = tf.constant(-2.0,dtype=tf.float32, shape=[3,3])

tf.global_variables_initializer().run()

# 输出
print("a:\n",a.eval())

print("b:\n",b.eval())

print("c:\n",c.eval())

print("d:\n",d.eval())

结果如下：

a:
 10.0
b:
 b'hello world!'
c:
 [[ 1.  2.]
 [ 3.  4.]
 [ 5.  6.]]
d:
 [[-2. -2. -2.]
 [-2. -2. -2.]
 [-2. -2. -2.]]

9、tf.greater（）函数
tf.greater:对两个tensor或是list依次对每个元素进行比较，并返回相应的bool值。与此类似的还有tf.greater_equal（）、tf.less（）、tf.less_equal（）。
下面的实例以tf.greater（）函数为例。
注意：比较的两个tensor的维度必须相同，否则会报错。

import tensorflow as tf

# 默认会话
sess = tf.InteractiveSession()

# 定义两个list
a = [1   ,2  ,43  ,3.4 ,5.3 ,324 ,4 ]
b = [2.2 ,34 ,3.4 ,4.4 ,3   ,56  ,8 ]

# greater(x, y, name=None)
# x: 一个 tensor或是一个list等。数据必须是以下的数据类型: `float32`, `float64`, `int32`, `int64`, `uint8`, `int16`, `int8`, `uint16`, `half`.
# y: 一个 tensor或是一个list等，需要和x保持同样的数据类型。
c = tf.greater(a,b)

# 输出
print(c.eval())

结果如下：

[False False  True False  True  True False]
子为空
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习框架(TensorFlow)基础教程——第3章：Python基础
10-09
在本章节中，我们将深入探讨深度学习框架TensorFlow的基础，特别是与Python编程相关的部分。Python是TensorFlow的主要接口，理解其基本概念和语法对于高效使用TensorFlow至关重要。 首先，Python是一种高级编程语言...
tensorflow-docs：最新TensorFlow中文文档（持续更新中）
02-05
综上所述，TensorFlow是一个功能丰富的机器学习和深度学习框架，其最新的中文文档对于开发者来说是一份宝贵的资源，能够帮助他们更好地利用TensorFlow解决各种复杂问题。通过深入学习和实践，开发者可以充分利用...
tf.log()详解
Jq的博客
07-29 4908
tf.log(y) 计算元素 y 的自然对, y=ex 计算出x 返回一个张量,与 y 具有相同的类型. tensor = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0]], dtype=tf.float32) tensor_log = tf.log(tensor) sess = tf.InteractiveSession() print(sess.run(tensor)) #[[1. 2. 3.] [1. 2. 3.]] print(sess.run(tensor_log
Tensorflow tf.log()
取名为猫的狗的博客
02-29 5262
import tensorflow as tf tensor = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]], dtype=tf.float32) tensor_log = tf.log(tensor) with tf.Session() as sess: print("tensor:") print(sess...
(tensorflow)——tf.logging.set_verbosity日志消息
咖啡味儿的咖啡
10-03 1051
转载：http://keep.01ue.com/?pi=297721&_a=app&_c=index&_m=p
tensorflow中的log中数字的含义
微电子学与固体电子学-俞驰
09-27 522
代码和log如下: https://github.com/appleyuchi/TPU_GPU_Code/blob/master/TPU%E8%BF%90%E8%A1%8CCifar10.ipynb 代码的log中有： INFO:tensorflow:Finished compiling. Time elapsed: 5.899410247802734 secs 10/10 [====...
Tensorflow中一些常见的函数
随我的博客
11-09 5837
1.tf.constant(value,dtype=None,shape=None,name='Const')创建一个常量tensor，按照给出value来赋值，可以用shape来指定其形状。value可以是一个数，也可以是一个list。 如果是一个数，那么这个常亮中所有值的按该数来赋值。 如果是list,那么len(value)一定要小于等于shape展开后的长度。赋值时，先将value中的值逐个
动手学深度学习-tensorflow-源代码
04-14
这本书特别强调了TensorFlow这一强大的开源库在深度学习中的应用。TensorFlow是由谷歌开发的一个用于数值计算的强大工具，尤其在处理大规模数据和构建复杂的神经网络方面表现突出。本书的源代码提供了丰富的实例，...
基于tensorflow深度学习（高维模型辨识）.zip
02-19
这个"基于tensorflow深度学习（高维模型辨识）.zip"文件包含了一个名为"deep-learn-master"的项目目录，很可能是用于指导我们进行深度学习模型的训练和应用。 深度学习是人工智能的一个关键分支，它模仿人脑神经...
基于tensorflow深度学习的地理位置的命名实体识别.zip
最新发布
05-08
在这个“基于tensorflow深度学习的地理位置的命名实体识别”项目中，我们聚焦于从文本中提取地理实体，这对于地理信息系统、旅游推荐系统、新闻分析等领域有着重要应用。 深度学习模型通常采用序列标注方法来解决...
TFLog:前端基础日志模块，特性：零依赖、多维度过滤（命名空间、日志等级和关键词）、大容量 采用indexedb存储、高覆盖率 99.70%、高可靠 99.79%、有损降级
05-11
打造高可靠的前端日志模块 TFLOG 背景 前端不同于后端服务的一点是运行在用户的设备中，环境不可控，用户操作难以追溯。 碰到用户来反馈问题，往往很难以复现用户的事故现场以及操作历史。 这个时候仅仅是看上报的异信息或者是后台cgi日志无法提供足够多的信息。 前端日志，则是此时最好的解决方案，分布式存储在客户的设备中，按需上报，让最了解业务场景的开发(前端er)输出最详细的日志。 特性 TFLog具有以下特性,并经过理财通线上微信与手Q客户端的每日千万级PV检验，可用于生产环境。 零依赖 多维度过滤（命名空间、日志等级和关键词） 大容量 采用indexedb存储 高覆盖率 99.7% 高可靠 99.79% 有损降级 使用 1.安装 npm install tflog 2.打日志 var TFLog = require('tflog'); // 'mod/ajax'为namespace var
tensorflow各种数学相关运算函数（详细--转载）
小鹰的博客
04-26 1081
———————————————— 版权声明：本文为CSDN博主「man_world」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/mzpmzk/article/details/78636142 此篇文章为转载文章，感谢原作者「man_world」 一、Tensor 之间的运算规则 相同大小 Tensor...
深度学习常用函数
qq_43401942的博客
01-19 650
【代码】深度学习常用函数。
Tensorflow一些常用基本概念与函数（1）
热门推荐
lenbow的博客
08-08 15万+
摘要：本文主要对tf的一些常用概念与方法进行描述。
深层神经网络——分类、回归的损失函数
魂小猫的博客
07-18 2万+
神经网络模型的效果以及优化目标是通过损失函数（loss function）来定义的。分类问题和回归问题有很多经典的损失函数。 分类问题和回归问题是监督学习的两大种类。 分类问题希望解决的是将不同的样本分到事先定义好的类别中。再这种问题下，需要将样本二分类（多分类）。手写字体识别就是一个十分类的问题。 再判断二分类问题的时候，可以定义一个有单个输出节点的神经网络，当这个节点输出越接近1（或者设定
tensorflow clip对NaN、inf的效果
iTom's blog
07-16 935
TensorFlow 的 clipping 对 inf、NaN 的效果
tensorflow教程之tf.clip_by_value()的用法全方位讲解
tian_jiangnan的博客
06-05 3682
tf.clip_by_value(a,b,c)a是一个矩阵，b是最小值，c是最大值；这个方法是控制a里面的值。如果里面的值小于b，输出b，大于c就输出c 案例如下 import tensorflow as tf c=tf.clip_by_value([7.0,8.1,9.2],-1.0,1.0) with tf.Session() as sess: print(sess.run(c)) a为[7.0,8.1,9.2] 这里的值都大于最大值1.0 所以输出全是1.0如下 如果b为7...
谷歌TensorFlow官方中文教程开源：引领人工智能新浪潮
TensorFlow官方中文教程1.2版是学习这个强大工具的宝贵资源，无论你是希望深入理解深度学习，还是想要将AI应用到实际项目中，它都能提供必要的指导和实践机会。随着技术的不断发展，持续学习和更新知识将是保持竞争...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值