TensorFlow 常用的函数

get tf.shape(a)和a.get_shape()比较

1. 相同：都可以得到tensor  a的尺寸
2. 不同：· tf.shape()中a 数据的类型可以是tensor, list, array

                       返回的是一个tensor时。要想知道是多少，必须通过sess.run()

• a.get_shape()中a的数据类型只能是tensor,且返回的是一个元组（tuple）

tensor.get_shape()返回的是元组，不能放到sess.run()里面，这个里面只

能放operation和tensor

a.get_shape().as_list()  返回一个元组，需要通过as_list()的操作转换成list.

 

tf.add_to_collection()：把变量放入一个集合，把很多变量变成一个列表

tf.get_collection()：   从一个集合中取出全部变量，是一个列表

tf.add_n：            把一个列表的东西都依次加起来

 

 

Python的global语句使用

Python中定义函数时，若想在函数内部对函数外的变量进行操作，就需要在函数内部声明其为global。

 

tf.constant_initializer()也可以简写为tf.Constant()

初始化为常数，这个非常有用，通常偏置项就是用它初始化的。

 

tf.argmax(values,axis)：      返回values在axis维度最大值的索引

tf. reduce_max(values,axis)： 返回values在axis维度的最大值，结果维度为values的维

度-1，且shape为去掉axis之后values的shape,顺序不变。

 

tf.assign(A, new_number)：  这个函数的功能主要是把A的值变为new_number

tf.assign(A, B)：             通过增加B来更新A的值，即A = A + B

 

 

tf.ceil(x, name=None)    x张量，上述操作返回不小于 x 的元素最小整数.

 

tf.control_dependencies(control_inputs)用法解析：

tf.control_dependencies(control_inputs):

       ops

表示首先执行control_inputs表示的OP

再执行 依赖于此OP的ops

例如：

import numpy as np

import tensorflow as tf

x = tf.Variable(0)

x_add_1 = tf.assign_add(x, 1)  #

with tf.control_dependencies([x_add_1]):

    y = x + 2

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    for _ in range(5):

        print(sess.run(y))

3 4 5 6 7

 

tf.identity(input,name=None)    返回一个具有相同形状张量和内容作为输入；

 

hasattr(object, name)     用于判断对象(前者) 是否包含对应的属性(后者)。

object -- 对象。

name -- 字符串，属性名。

如果对象有该属性返回 True，否则返回 False。

class Coordinate:

    x = 10  # 包含属性x,y,z三个属性

    y = -5

    z = 0

point1 = Coordinate()

print(hasattr(point1, 'x'))

print(hasattr(point1, 'y'))

print(hasattr(point1, 'z'))

print(hasattr(point1, 'no'))  # 没有该属性

执行结果：

True  

True   

True   

 False

 

 

注意tf.cast()强制类型转换的规则

import tensorflow as tf

x1 = 1.3

x2 = 1.8

x3= -1.9

x4 =-0.5

with tf.Session() as sess:

    print(sess.run(tf.cast(x1,tf.int32)))

    print(sess.run(tf.cast(x2,tf.int32)))

    print(sess.run(tf.cast(x3,tf.int32)))

    print(sess.run(tf.cast(x4,tf.int32)))

执行结果： 1   1  -1   0

总而言之，tf.cast()强制转换为整数时，只保留整数部分，小数部分舍弃。这样当x>0时，数字变小；当x<0数字变大

 

 

tf.clip_by_value(A, min, max)

输入一个张量A，把A中的每一个元素的值都压缩在min和max之间。小于min的让它等于min，大于max的元素的值等于max。