tensorflow模型操作常用函数总结:(三)

数据操作：

函数	描述
tf.slice(input,begin,size,name=None)	对输入数据input进行切片操作，begin与size可以为list类型。要求begin与size的值必须一一对应，并且begin中每个值都要大于等于0且小于等于size中对应的值。例如： t=[[[1,1,1],[2,2,2],[3,3,3],[4,4,4]],[[5,5,5],[6,6,6]]] slicet1 = tf.slice(t.[1,0,0],[1,1,3]) slicet2 = tf.slice(t,[1,0,0],[1,2,3]) slicet3 = tf.slice(t,[1,0,0],[2,1,3]) sess = tf.Session(), print(sess.run(slicet1))  #输出 [[[3 3 3]]] print(sess.run(slicet2))  #输出 [[[3 3 3]    [4 4 4 ]]] print(sess.run(slicet3))  #输出 [[[3 3 3]]  [[5 5 5 ]]]
tf.split(value,num_or_size_splits,axis=0, num=None,name='split)	沿着某一维度将tensor分离为num_or_size_splits,Value是一个shape为[5,30]的张量 #沿着第一列将value按[4,15,11]分成3个张量   split0,split1,split2=tf.split(value,[4,15,11],1)   tf.shape(split0) ==> [5,4]   tf.shape(split1) ==> [5,15]   tf.shape(split2) ==> [5,11]
tf.concat(concat_dim,values,name='concat')	沿着某一维度连接tensor t1 = [[1,2,3],[4,5,6]] t2 = [[7,8,9],[10,11,12]] tf.concat([t1,t2],0) ==>[[1,2,3],[4,5,6],[7,8,9],[10,11,12]] tf.concat([t1,t2],1) ==>[[1,2,3,7,8,9],[4,5,6,10,11,12]] 如果想沿着Tensor一新轴连接打包，则可以： tf.concat(axis,[tf.expand_dims(t,axis) for t in tensors]) 等同于tf.stack(tensors,axis=axis)
tf.stack(imput,axis=0)	将两个N维张量列表沿着axis轴组合成一个沿着axis轴组合成一个N+1维的张量： tensor=[[1,2,3],[4,5,6]] tensor2=[[10,20,30],[40,50,60]] tf.stack([tensor,tensor2]) =>[[[1  2  3] [4  5  6]] [[10  20  30] [40  50  60]]] tf.stack([tensor,tensor2],axis=1) =>[[[1  2  3], [10  20  30]] [[4  5  6][40  50  60]]]
tf.unstack(value,num=None,axis=0,name='unstack')	将输入value按照指定的行或列进行拆分，并输出含有num个元素的列表(list) axis=0表示按行拆分，axis=1表示按列拆分。num为输出list的个数，必须与与预计输出的个数相等，否则会报错。可忽略这个参数。 tensor=[[1,2,3],[4,5,6]] tf.unstack(tensor) => [array([1,2,3]),array([4,5,6])] tf.unstack(tensor,axis=1) =>[array([1,4]),array([2,5]),array([3,6])] # tensor.shape=[2,3],axis=0,就是分成2个。axis=1就是分成3个。 # ten2.shape=[2,3,4],axit=2，就是分成4个。
tf.gather(params,indices,validate_indices=None, name=None)	合并索引indices所指示params中的切片 y=tf.constant([0.,2.,-1.]) t=tf.gather(y,[2,0]) sess=tf.Session() t2=sess.run([t]) print(t2) #输出[array([-1.,0.],dtype=tf.float32)]
tf.one_hot(indices,depth,on_value=None,off_value= None,axis=None,dtype=None,name=None)	生成符合onehot编码的张量。 indices:要生成的张量 depth:在depth长度的数组中，哪个索引的值为onehot值。 on_value:为onehot值时，该值为多少。 off_value:非onehot值时，该值为多少。 Axis为-1时生成的shape为[indices长度，depth],为0时shape为[depth,indices长度]。还可以是1，是指在类似时间序列（三维度以上）情况下，以时间序列优先而非batch优先，即[depth,batch,indices长度]（这里的indices长度可以当成样本中的feature特征维度），例如：indices=[0,2,-1,1] depth=3 on_value=5.0 off_value=0.0 axis=-1   t=tf.one_hot(indices,depth,on_value,off_value,axis) sess=tf.Session() print(sess.run(t))   则输出如下： [[5. 0. 0.]      #0  [0. 0. 5.]      #2  [0. 0. 0.]      #-1  [0. 5. 0.]]     #1
tf.count_nonzero(input_tensor,axis=None,keep_dim =False,dtype=dtype.int64,name=None, reduction_indices=None)	统计非0个数

 算术运算函数：

函数	描述
tf.assign(x,y,name=None)	令x=y
tf.add(x,y,name=None)	求和
tf.subtract(x,y,name=None)	减法
tf.multiply(x,y,name=None)	乘法
tf.divide(x,y,name=None)	除法，也可以使用tf.div函数
tf.mod(x,y,name=None)	取模
tf.abs(x,name=None)	求绝对值
tf.negative(x,name=None)	取负（y=-x）
tf.sign(x,name=None)	返回输入x的符号。如果x小于0，则返回-1；如果x=0,则返回0；如果x大于0，则返回-1
tf.inv(x,name=None)	对取反操作
tf.square(x,name=None)	计算平方(y=x*x = x^{1/2})
tf.round(x,name=None)	舍入最接近的整数。例如：a=[0.9,2.5,2.3,1.5,-4.5] tf.round(a) == > [1.0,2.0,2.0,2.0,-4.0] 如果需要真正的四舍五入，可以用tf.int32类型强制转换
tf.sqrt(x,name=None)	开根号(y=tf.sqrt{x} = x^{1/2})
tf.pow(x,y,name=None)	幂次方计算。例如： x=[[2,2],[3,3]] y=[[8,16],[2,3]] tf.pow(x,y) ==>[[256,65536],[9,27]]   #[2的2次方，2的16次方]，[3的2次方,3的3次方]
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
tf.cond(pred,true_fn=None,false_fn=None,strict=False, name=None,fn1=None,fn2=None)	满足条件就执行fn1，否则执行fn2.例如： x = tf.constant(2) y = tf.constant(5) def f1(): return tf.multiply(x,17) def f2(): return tf.add(y,23) r = tf.cond(tf.less(x,y),f1,f2) 则r的值为34

矩阵相关的运算：

                                                                                         矩阵操作函数

操作	描述
tf.diag(diagonal,name=None)	返回一个给定对角值的对角tensor。 diagonal = [1,2,3,4] tf.diag(diagonal)会得到如下矩阵： [[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)	求一个二维Tensor足迹，即对角值diagonal之和
tf.transpose(a,perm=None,name='transpose')	让输入a按照参数perm指定的维度顺序进行转置操作。如果不设定perm,默认是一个全转置。例如： t = [[1,2,3],[4,5,6]] tt = tf.transpose(t) #等价于tt = tf.transpose(t,[1,0]) sess = tf.Session() print(sess.run(tt)) #将原有shape[2,3]中的第1和第2维度顺序颠倒，变为新的shape[3,2] 则输出如下： [[1 4]  [2 5]  [3 6]]
tf.reverse(tensor,dims,name=None)	沿着指定的维度对输入进行反转。其中，dims为列表，元素含义为指向输入shape的索引。例如： t = [[[[0,1,2,3],         [4,5,6,7],         [8,9,10,11]],         [[12,13,14,15],         [16,17,18,19],         [20,21,22,23]]]] print(np.shape(t))#输出[1,2,3,4] dim=[3]    #dim为tshape中的索引，3就代表shape中的最后一个值4。同理，使用-1页可以 rt = tf.reverse(t,dim) #进行反转操作 sess = tf.Session() print(sess.run(rt)) #输出反转后的结果为： #[[[[3,2,1,0], #[7,6,5,4,], #[11,10,9,8]], #[[15,14,13,12], #[19,18,17,16], #[23,22,21,20]]]] rt = tf.reverse(t,[1,2]) #也可以同时按照多个轴反转
tf.reverse(tensor,dims,name=None)	print(sess.run(rt)) #按照shape中1、2的索引指向的值为2、3，基于这两个维度反转输出的结果为： #[[[[20 21 22 23] #   [16 17 18 19] #   [12 13 14 15]] # #  [[ 8 9 10 11] #   [ 4 5 6 7] #   [ 0 1 2 3]]]]
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)	求解矩阵方程，返回矩阵变量。其中，matrix为矩阵变量的系数，，rhs为矩阵方程的结果。例如： 2x +3y = 12 x + y = 5 代码可以写为： sess = tf.InteractiveSession() a = tf.constant([[2.,3.],[1.,1.]]) print(tf.matrix_solve(a,[[12.],[5.]]).eval())   #输出方程中x和y的解   #[[3.00000024]   #[1.99999988]]   #即 x = 3, y = 2