tensorflow篇-深度学习常用函数解释

tf.image.resize_images

用途：对图像张量大小调整
完整函数参数： img_resized = tf.image.resize_images(image_data, [300, 300], method=0)

image_data:表示输入的图像张量
[300,300]：变形后的图像尺寸(H*W)
method：指定所进行的变化形式：
method=0：双线性插值
method=1：最近邻居法
method=2：双三次插值法
method=2：面积插值法
e.g:
img = cv2.imread(img_path) #224,224,3
im_resize = tf.image.resize_images(img, [300, 300], method=0) # 300,300,3
这种方式会导致部分信息丢失，目前其他的上采样方式比如有DUC(密集上采样卷积)以及DUGC(密集上采样分组卷积)

tf.split()

用途：用于对某个张量在某个维度上进行切割
完整函数参数：tf.split(value, num_or_size_splits, axis=0, num=None, name='split')
value：表示要分割的张量
num_or_size_splits：准备将张量切分为几份，
如果 num_or_size_splits 是一个整数，这就代表在第axis维度上将张量切分为 num_or_size_splits 个小的张量，
如果 num_or_size_splits 是一个一维张量，这就代表在第 axis 个维度上 根据此张量进行切割，
e.g :
split0, split1, split2 = tf.split(value, [4, 15, 11], 1) # value 是个shape为 [5, 30]的张量，注意到4+15+11 = 30
tf.shape(split0) #[5, 4]
tf.shape(split1) #[5, 15]
tf.shape(split2) #[5, 11]
axis：表示维度 0,1,2,3…
num：可选，用于指定无法从size_splits的形状推断出输出时的输出数量。
name：此运算的名称

tf.Variable()/tf.compat.v2.Variable

用途：用于声明变量
完整函数参数：tf.Variable(
initial_value=None, trainable=None, validate_shape=True, caching_device=None,
name=None, variable_def=None, dtype=None, import_scope=None, constraint=None,
synchronization=tf.VariableSynchronization.AUTO,
aggregation=tf.compat.v1.VariableAggregation.NONE, shape=None
)

initial_value：所有可以转换为张量的类型，是变量初始值
trainable：只有当trainable为 true 时才能对其使用Optimizer
collections：类型为 list 指定该变量的类型
在 Tensorflow 中，变量的定义与初始化是分开的，一开始，tf.Variable()得到的是张量，而张量并不是具体的值，而是计算过程
在 Tensorflow 中变量只有被定义为(Variable)变量后才是变量
e.g：
state = tf.Variable(0,name=‘counter’) #定义变量，名为 ‘counter’
one = tf.constant(1) #定义常量
new_value = tf.add(state,one) #变量+常量=变量
update = tf.assign(state,new_value) #更新，state的值变成 new_value
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
for i in range(3):
sess.run(update)
print(sess.run(state)) #----->1,2,3

tf.placeholder

用途：声明一个未知量，需要时再声明
完整函数参数：tf.compat.v1.placeholder( dtype, shape=None, name=None)
tf.placeholder()所声明的变量必须在Session.run(),Tensor.eval(),Operation.run()中使用 feed_dict= 传入值
dtype：表示将要传入值的类型
shape：表示要传入只的shape
e.g：
x = tf.compat.v1.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)
with tf.compat.v1.Session() as sess:
print(sess.run(y)) # ERROR: will fail because x was not fed.
rand_array = np.random.rand(1024, 1024)
print(sess.run(y, feed_dict={x: rand_array})) # Will succeed.