tensorflow模型操作常用函数总结:(四)

复数操作函数：

                                                                                          复数操作函数

函数	描述
tf.complex(real,image,name=None)	将两实数转换为复数形式。例如： real = [2,25,3,25] Imag = [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。例如： x = [[-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.image(input,name=None) tf.real(input,name=None)	提取复数的虚部和实部
tf.fft(input,name=None)	计算一堆的离散傅里叶变换，输入数据类型为complex64

规约计算 ：

     规约计算的操作都会有降维的功能，在所有reduce_xxx系列操作函数中，都是以xxx的手段降维，每个函数都有axis这个参数，即沿某个方向，使用xxx方法对输入的Tensor进行降维。【axis的默认值是None，即把input_tensor降到0维，即一个数。】

对于二维input_tensor而言：axis=0，则按列计算：axis=1，则按行计算。【参数reduction_indices是为了兼容以前的版本与axis保证相同的含义。】

                                                                                       规约计算函数

操作	描述
tf.reduce_sum(input_tensor,axis=None, keep_dims=False,name=None, reduction_indices=None)	计算输入tensor元素的和，或者按照axis指定的轴进行求和。例如： x = [[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,axis=None, keep_dims=False,name=None,reduction_indices=None)	计算输入tensor元素的乘积，或者安照axis指定的轴进行求乘积。例如： fi = tf.Variable(tf.constant([2,3,4,5]),shape=[2,2]) ff = tf.reduce_prod(fi,0) with.tf.Session() as sess:       sess.run(tf.global_variables_initializer())       print(sess.run(fi))       print(sess.run(ff)) 运行代码如下： [[2 3]  [4 5]] [8 15]
tf.reduce_min(input_tensor,axis=None,keep_dims=False, name=None,reduction_indices=None)	求tensor中的最小值
tf.reduce_max(input_tensor,axis=None,keep_dims=False, name=None,reduction_indices=None)	求tensor中的最大值
tf.reduce_mean(input_tensor,axis=None,keep_dims=False name=None,reduction_indices=None)	求tensor中的平均值
tf.reduce_all(input_tensor,axis=None,keep_dims=False, name=None,reduction_indices=None)	对tensor中的各个元素求逻辑‘与’。例如： x = [[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,axis=None,keep_dims=False, name=None,reduction_indices=None)	对tensor中各个元素求逻辑‘或’

分割：

       分割操作是Tensorflow不常用的操作，在复杂的网络模型里偶尔才会用到。

                                                                                      分割相关函数

操作	描述
tf.segment_sum(data,segment_ids,name=None)	按照segment_ids指定的维度，分割张量data中的值，还可以返回data中指定片段的累加和。例如： c = tf.constant([[1,2,3,4],[-1,-2,-3,-4],[5,6,7,8]]) tf.segment_sum(c,tf.constant([0,0,1])) 其输出如下： [[0 0 0 0] [5 6 7 8]] 这个例子表明：将c按照[0,0,1]的维度来分割，并将c总的头两行加起来作为结果的 第1行，将c中的第3行作为结果的第2行
tf.segment_prod(data,segment_ids,name=None)	根据segment_ids的分段计算各个片段的积
tf.segment_min(data,segment_ids,name=None)	根据segment_ids的分段计算各个片段的最小值
tf.segment_max(data,segment_ids,name=None)	根据segment_ids的分段计算各个片段的最大值
tf.segment_mean(data,segment_ids,name=None)	根据segment_ids的分段计算各个片段的平均值
tf.unsorted_segment_sum(data,segment_ids, num_segments,name=None)	与tf.segment_sum函数类似，不同在于segment_ids中id顺序可以是无序的。
tf.sparse_segment_sum(data,indices, segment_ids,name=None)	输入进行稀疏分割求和。例如： c = tf.constant([[1,2,3,4],[-1,-2,-3,-4],[5,6,7,8]]) #取c的头两行，并将返回的结果[1,2,3,4],[-1,-2,-3,-4]中的第1行和第2行相加作为最终结果的第一行返回，tf.sparse_segment_sum(c,tf,constant([0,1]),tf.constant([0,0]))
tf.sparse_segment_sum(data,indices, segment_ids,name=None)	则输出如下：[[0 0 0 0]] 对原data的indices为[0,1]位置的进行分割，并按照segment_ids的分组进行求和

序列比较与索引提取

                                                                             序列比较与索引提取相关函数

操作	描述
tf.argmin(input,axis,name=None)	返回input最小值的索引index
tf.argmax(input,axis,name=None)	返回input最大值的索引index。axis:0表示按列，axis:1表示按行
tf.setdiffld(x,y,name=None)	返回x,y中不同值的索引
tf.where(condition,x=None,Y=None,name=None)	根据指定条件，返回对应的值或坐标。若x、y都为None， 返回condition值为True的坐标，若x、y都不为None， 返回condition值为True的坐标在x内的值，condition值为False的坐标在y内的值。例如： cond=[True,False,False,True] x=[1,2,3,4] y=[5,6,7,8] tf.where(cond) ==> [[0] [3]] tf.where(cond,x,y) ==> [1 6 7 4]
tf.unique(x,name=None)	返回一个元祖tuple(y,idx)。其中，y为x列表的唯一化数据列表，idx为x数据对应y元素的index。例如： x = [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.finvert_permutation(x,name=None)	将x中元素的值当做索引，返回新的张量。例如： x=[3,4,0,2,1] invert_permutation(x)  == > [2,4,3,0,1]
tf.random_shuffle(input)	沿着input的第一维进行随机重新排列

错误类

                                                                                             错误类

操作	描述
class tf.OpError	一个基本的错误类型，在当TF执行失败时报错。
tf.OpError.op	返回执行失败的操作节点。有的操作如Send或Recv可能不会返回，则要用到node_def方法
tf.OpError.node_def	以NodeDef proto形式表示失败的OP
tf.OpError.error_code	描述该错误的整数错误代码
tf.OpError.message	返回错误信息
class tf.errors.CancelledError	当操作或者阶段被取消时报错
class tf.errors.UnknownError	未知错误类型
class tf.errors.InvalidArgumentError	在接收到非法参数时报错
class tf.errors.NotFoundError	当发现不存在所请求的一个实体时，比如文件或目录
class tf.errors.AlreadyExistsError	当创建的实体已经存在时报错
class tf.errors.PermissionDeniedError	没有执行权限做某操作时报错
class tf.errors.ResourceExhaustedError	资源耗尽时报错
class tf.errors.FaildPreconditionError	系统没有条件执行某个行为时报错。
class tf.errors.AbortedError	操作中止时报错，常常发生在并发情形
class tf.errors.OutOfRangeError	超出范围报错
class tf.errors.UnimplementedError	某个操作没有执行时报错
class.tf.errors.InternalError	当系统经历了一个内部错误时报出
class tf.errors.DataLossError	当出现不可恢复的错误，例如在运行tf.WholeFileReader.read读取整个文件的同时文件被删减
tf.errors.XXXXX._init_(node_def,op, message)	使用该方式创建以上各种错误类