TensorFlow API 简介

最新推荐文章于 2023-04-01 16:30:51 发布
最新推荐文章于 2023-04-01 16:30:51 发布
阅读量1.1k 收藏 3
点赞数

TensorFlow 相关函数理解

任务时间：时间未知

tf.nn.conv2d

conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    name=None
)

功能说明：

卷积的原理可参考 A guide to convolution arithmetic for deep learning

参数列表：

参数名

必选

类型

说明

input

是

tensor

是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个 batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）

filter

是

tensor

是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数，卷积核个数 ]）,filter 的 in_channels 必须和 input 的 in_channels 相等

strides

是

列表

长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1

padding

是

string

只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 丢弃方式；SAME：补全方式

use_cudnn_on_gpu

否

bool

是否使用 cudnn 加速，默认为 true

data_format

否

string

只能是 " NHWC ", " NCHW "，默认 " NHWC "

name

否

string

运算名称

 

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 conv2d.py，内容可参考：

示例代码：/home/ubuntu/conv2d.py

import tensorflow as tf

a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])
b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])
c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='VALID')
d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='SAME')
with tf.Session() as sess:
    print ("c shape:")
    print (c.shape)
    print ("c value:")
    print (sess.run(c))
    print ("d shape:")
    print (d.shape)
    print ("d value:")
    print (sess.run(d))

然后执行:

cd /home/ubuntu;
python conv2d.py

执行结果：

c shape:
(1, 3, 3, 1)
c value:
[[[[ 4.]
   [ 3.]
   [ 4.]]

  [[ 2.]
   [ 4.]
   [ 3.]]

  [[ 2.]
   [ 3.]
   [ 4.]]]]
d shape:
(1, 5, 5, 1)
d value:
[[[[ 2.]
   [ 2.]
   [ 3.]
   [ 1.]
   [ 1.]]

  [[ 1.]
   [ 4.]
   [ 3.]
   [ 4.]
   [ 1.]]

  [[ 1.]
   [ 2.]
   [ 4.]
   [ 3.]
   [ 3.]]

  [[ 1.]
   [ 2.]
   [ 3.]
   [ 4.]
   [ 1.]]

  [[ 0.]
   [ 2.]
   [ 2.]
   [ 1.]
   [ 1.]]]]

tf.nn.relu

relu(
    features,
    name=None
)

功能说明：

relu激活函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition

参数列表：

参数名

必选

类型

说明

features

是

tensor

是以下类型float32, float64, int32, int64, uint8, int16, int8, uint16, half

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 relu.py，内容可参考：

示例代码：/home/ubuntu/relu.py

import tensorflow as tf

a = tf.constant([1,-2,0,4,-5,6])
b = tf.nn.relu(a)
with tf.Session() as sess:
    print (sess.run(b))

然后执行：

cd /home/ubuntu;
python relu.py

执行结果：

[1 0 0 4 0 6]

tf.nn.max_pool

max_pool(
    value,
    ksize,
    strides,
    padding,
    data_format='NHWC',
    name=None
)

功能说明：

池化的原理可参考 CS231n: Convolutional Neural Networks for Visual Recognition

参数列表：

参数名

必选

类型

说明

value

是

tensor

4 维的张量，即 [ batch, height, width, channels ]，数据类型为 tf.float32

ksize

是

列表

池化窗口的大小，长度为 4 的 list，一般是 [1, height, width, 1]，因为不在 batch 和 channels 上做池化，所以第一个和最后一个维度为 1

strides

是

列表

池化窗口在每一个维度上的步长，一般 strides[0] = strides[3] = 1

padding

是

string

只能为 " VALID "，" SAME " 中之一，这个值决定了不同的池化方式。VALID 丢弃方式；SAME：补全方式

data_format

否

string

只能是 " NHWC ", " NCHW "，默认" NHWC "

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 max_pool.py，内容可参考：

示例代码：/home/ubuntu/max_pool.py

import tensorflow as tf

a = tf.constant([1,3,2,1,2,9,1,1,1,3,2,3,5,6,1,2],dtype=tf.float32,shape=[1,4,4,1])
b = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='VALID')
c = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')
with tf.Session() as sess:
    print ("b shape:")
    print (b.shape)
    print ("b value:")
    print (sess.run(b))
    print ("c shape:")
    print (c.shape)
    print ("c value:")
    print (sess.run(c))

然后执行：

cd /home/ubuntu;
python max_pool.py

执行结果：

b shape:
(1, 2, 2, 1)
b value:
[[[[ 9.]
   [ 2.]]

  [[ 6.]
   [ 3.]]]]
c shape:
(1, 2, 2, 1)
c value:
[[[[ 9.]
   [ 2.]]

  [[ 6.]
   [ 3.]]]]

tf.nn.dropout

dropout(
    x,
    keep_prob,
    noise_shape=None,
    seed=None,
    name=None
)

功能说明：

原理可参考 CS231n: Convolutional Neural Networks for Visual Recognition

参数列表：

参数名

必选

类型

说明

x

是

tensor

输出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否则为 0

keep_prob

是

scalar Tensor

dropout 的概率，一般是占位符

noise_shape

否

tensor

默认情况下，每个元素是否 dropout 是相互独立。如果指定 noise_shape，若 noise_shape[i] == shape(x)[i]，该维度的元素是否 dropout 是相互独立，若 noise_shape[i] != shape(x)[i] 该维度元素是否 dropout 不相互独立，要么一起 dropout 要么一起保留

seed

否

数值

如果指定该值，每次 dropout 结果相同

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 dropout.py，内容可参考：

示例代码：/home/ubuntu/dropout.py

import tensorflow as tf

a = tf.constant([1,2,3,4,5,6],shape=[2,3],dtype=tf.float32)
b = tf.placeholder(tf.float32)
c = tf.nn.dropout(a,b,[2,1],1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print (sess.run(c,feed_dict={b:0.75}))

然后执行：

cd /home/ubuntu;
python dropout.py

执行结果：

[[ 0.          0.          0.        ]
 [ 5.33333349  6.66666651  8.        ]]

tf.nn.sigmoid_cross_entropy_with_logits

sigmoid_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    name=None
)

功能说明：

先对 logits 通过 sigmoid 计算，再计算交叉熵，交叉熵代价函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition

参数列表：

参数名

必选

类型

说明

_sentinel

否

None

没有使用的参数

labels

否

Tensor

type, shape 与 logits相同

logits

否

Tensor

type 是 float32 或者 float64

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 sigmoid_cross_entropy_with_logits.py：

示例代码：/home/ubuntu/sigmoid_cross_entropy_with_logits.py

import tensorflow as tf
x = tf.constant([1,2,3,4,5,6,7],dtype=tf.float64)
y = tf.constant([1,1,1,0,0,1,0],dtype=tf.float64)
loss = tf.nn.sigmoid_cross_entropy_with_logits(labels = y,logits = x)
with tf.Session() as sess:
    print (sess.run(loss))

然后执行：

cd /home/ubuntu;
python sigmoid_cross_entropy_with_logits.py

执行结果：

[  3.13261688e-01   1.26928011e-01   4.85873516e-02   4.01814993e+00
   5.00671535e+00   2.47568514e-03   7.00091147e+00]

tf.truncated_normal

truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)

功能说明：

产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]。

参数列表：

参数名

必选

类型

说明

shape

是

1 维整形张量或 array

输出张量的维度

mean

否

0 维张量或数值

均值

stddev

否

0 维张量或数值

标准差

dtype

否

dtype

输出类型

seed

否

数值

随机种子，若 seed 赋值，每次产生相同随机数

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 truncated_normal.py：

示例代码：/home/ubuntu/truncated_normal.py

import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print(tf.Session().run(initial))

然后执行:

python /home/ubuntu/truncated_normal.py

执行结果：

将得到一个取值范围 [ -2, 2 ] 的 3 * 3 矩阵，您也可以尝试修改源代码看看输出结果有什么变化？

tf.constant

constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

功能说明：

根据 value 的值生成一个 shape 维度的常量张量

参数列表：

参数名

必选

类型

说明

value

是

常量数值或者 list

输出张量的值

dtype

否

dtype

输出张量元素类型

shape

否

1 维整形张量或 array

输出张量的维度

name

否

string

张量名称

verify_shape

否

Boolean

检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 constant.py，内容可参考：

示例代码：/home/ubuntu/constant.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np
a = tf.constant([1,2,3,4,5,6],shape=[2,3])
b = tf.constant(-1,shape=[3,2])
c = tf.matmul(a,b)

e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
g = tf.matmul(e,f)
with tf.Session() as sess:
    print (sess.run(a))
    print ("##################################")
    print (sess.run(b))
    print ("##################################")
    print (sess.run(c))
    print ("##################################")
    print (sess.run(e))
    print ("##################################")
    print (sess.run(f))
    print ("##################################")
    print (sess.run(g))

然后执行:

python /home/ubuntu/constant.py

执行结果：

a: 2x3 维张量；
b: 3x2 维张量；
c: 2x2 维张量；
e: 2x2x3 维张量；
f: 2x3x2 维张量；
g: 2x2x2 维张量。

tf.placeholder

placeholder(
    dtype,
    shape=None,
    name=None
)

功能说明：

是一种占位符，在执行时候需要为其提供数据

参数列表：

参数名

必选

类型

说明

dtype

是

dtype

占位符数据类型

shape

否

1 维整形张量或 array

占位符维度

name

否

string

占位符名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 placeholder.py，内容可参考：

示例代码：/home/ubuntu/placeholder.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32,[None,3])
y = tf.matmul(x,x)
with tf.Session() as sess:
    rand_array = np.random.rand(3,3)
    print(sess.run(y,feed_dict={x:rand_array}))

然后执行:

python /home/ubuntu/placeholder.py

执行结果：

输出一个 3x3 的张量

tf.nn.bias_add

bias_add(
    value,
    bias,
    data_format=None,
    name=None
)

功能说明：

将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。

参数列表：

参数名

必选

类型

说明

value

是

张量

数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128

bias

是

1 维张量

维度必须和 value 最后一维维度相等

data_format

否

string

数据格式，支持 ' NHWC ' 和 ' NCHW '

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 bias_add.py，内容可参考：

示例代码：/home/ubuntu/bias_add.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
b = tf.constant([2.0,1.0])
c = tf.constant([1.0])
sess = tf.Session()
print (sess.run(tf.nn.bias_add(a, b)))
#print (sess.run(tf.nn.bias_add(a,c))) error
print ("##################################")
print (sess.run(tf.add(a, b)))
print ("##################################")
print (sess.run(tf.add(a, c)))

然后执行:

python /home/ubuntu/bias_add.py

执行结果：

3 个 3x2 维张量。您也可以尝试修改源代码看看输出结果有什么变化？

tf.reduce_mean

reduce_mean(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

功能说明：

计算张量 input_tensor 平均值

参数列表：

参数名

必选

类型

说明

input_tensor

是

张量

输入待求平均值的张量

axis

否

None、0、1

None：全局求平均值；0：求每一列平均值；1：求每一行平均值

keep_dims

否

Boolean

保留原来的维度(例如不会从二维矩阵降为一维向量)

name

否

string

运算名称

reduction_indices

否

None

和 axis 等价，被弃用

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 reduce_mean.py，内容可参考：

示例代码：/home/ubuntu/reduce_mean.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial = [[1.,1.],[2.,2.]]
x = tf.Variable(initial,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(tf.reduce_mean(x)))
    print(sess.run(tf.reduce_mean(x,0))) #Column
    print(sess.run(tf.reduce_mean(x,1))) #row

然后执行:

python /home/ubuntu/reduce_mean.py

执行结果：

1.5
[ 1.5  1.5]
[ 1.  2.]

tf.squared_difference

squared_difference(
    x,
    y,
    name=None
)

功能说明：

计算张量 x、y 对应元素差平方

参数列表：

参数名

必选

类型

说明

x

是

张量

是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型

y

是

张量

是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 squared_difference.py，内容可参考：

示例代码：/home/ubuntu/squared_difference.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
initial_y = [[3.,3.],[4.,4.]]
y = tf.Variable(initial_y,dtype=tf.float32)
diff = tf.squared_difference(x,y)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(diff))

然后执行:

python /home/ubuntu/squared_difference.py

执行结果：

[[ 4.  4.]
 [ 4.  4.]]

tf.square

square(
    x,
    name=None
)

功能说明：

计算张量对应元素平方

参数列表：

参数名

必选

类型

说明

x

是

张量

是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型

name

否

string

运算名称

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 square.py，内容可参考：

示例代码：/home/ubuntu/square.py

#!/usr/bin/python
import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
x2 = tf.square(x)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(x2))

然后执行:

python /home/ubuntu/square.py

执行结果：

[[ 1.  1.]
 [ 4.  4.]]

TensorFlow 相关类理解

任务时间：时间未知

tf.Variable

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None
)

功能说明：

维护图在执行过程中的状态信息，例如神经网络权重值的变化。

参数列表：

参数名

类型

说明

initial_value

张量

Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False

trainable

Boolean

是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取）

collections

Graph collections

全局存储，默认是 GraphKeys.GLOBAL_VARIABLES

validate_shape

Boolean

是否允许被未知维度的 initial_value 初始化

caching_device

string

指明哪个 device 用来缓存变量

name

string

变量名

dtype

dtype

如果被设置，初始化的值就会按照这个类型初始化

expected_shape

TensorShape

要是设置了，那么初始的值会是这种维度

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 Variable.py，内容可参考：

示例代码：/home/ubuntu/Variable.py

#!/usr/bin/python

import tensorflow as tf
initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
W=tf.Variable(initial)
list = [[1.,1.],[2.,2.]]
X = tf.Variable(list,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print ("##################(1)################")
    print (sess.run(W))
    print ("##################(2)################")
    print (sess.run(W[:2,:2]))
    op = W[:2,:2].assign(22.*tf.ones((2,2)))
    print ("###################(3)###############")
    print (sess.run(op))
    print ("###################(4)###############")
    print (W.eval(sess)) #computes and returns the value of this variable
    print ("####################(5)##############")
    print (W.eval())  #Usage with the default session
    print ("#####################(6)#############")
    print (W.dtype)
    print (sess.run(W.initial_value))
    print (sess.run(W.op))
    print (W.shape)
    print ("###################(7)###############")
    print (sess.run(X))

然后执行：

python /home/ubuntu/Variable.py
flyingleo1981
关注
Tensorflow Estimators API使用介绍
liushuikong的博客
02-01 1万+
在上一篇文章Tensorflow Dataset API详解里面，我们说Datasets API和Estimators API是TensorFlow 1.3开始引入的两个高级API。其中，Estimators API 提供了训练模型、测试模型准确率和生成预测的方法。在这篇文章里面，我准备对Estimator API做一个基本讲解，其中主要内容还是来源于官方文档。 首先，还是先看看te
TensorFlow-相关 API（学习笔记 ）
weixin_33691700的博客
01-05 298
1.tf.nn.conv2d conv2d( input, filter, strides, padding, use_cudnn_on_gpu=True, data_format='NHWC', name=None ) 参数名必选类型说明 input 是 tensor 是一个 4 ...
TensorFlow：API介绍
qq26983255的博客
09-29 1582
在采用TensorFlow是，尽量采用TensorFlow自带的api进行数据处理，可以减少采用训练好的模型进行推理阶段的预处理或后处理步骤。 一、Tensor 之间的运算规则 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级 不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting) Tensor 与...
tensorflow API r1.0
CristianoJason的博客
03-23 1636
本文档记录了在学习 tensorflow 过程中对 tensorflow API r1.0 及以上版本中一些函数的总结
tensorflow API——tf.random_uniform 使用
Congying-Wang的博客
05-22 1187
文章目录定义参数示例 定义 tf.random.uniform( shape, minval=0, maxval=None, dtype=tf.dtypes.float32, seed=None, name=None ) 参数 shape: 1-D整数Tensor或Python数组， 输出张量的形状。 minval: 类型的0-D Tensor或...
tensorflow api 英文版
02-09
TensorFlow API英文版是针对开发者提供的官方文档，其中包含了构建数据流图（Graphs）、操作（Operation）和张量（Tensor）等核心组件的详细说明。 构建数据流图是TensorFlow工作的基础。数据流图由节点（Node）...
Tensorflow API-简介.zip
07-18
**TensorFlow API 简介** TensorFlow 是一个开源机器学习框架，由 Google Brain 团队开发并维护，用于构建和训练复杂的深度学习模型。它以其强大的计算能力、灵活的架构以及广泛的应用场景在全球范围内受到了广大...
TensorFlow Python API手册.rar
08-19
**TensorFlow Python API 手册** TensorFlow 是一个开源的机器学习框架，由谷歌公司开发并维护，广泛用于深度学习、神经网络和其他计算任务。它提供了丰富的Python API，使得开发者能够方便地构建、训练和部署复杂...
Tensorflow-API离线文档
04-25
**TensorFlow API 离线文档详解** TensorFlow 是一个强大的开源库，用于数值计算和大规模机器学习。它由Google Brain团队开发，并在全球范围内广泛应用于深度学习、图像处理、自然语言处理等领域。TensorFlow 提供...
tensorflow API 文档 （PDF版）
08-22
此“TensorFlow API 文档（PDF版）”提供了全面的指南，帮助开发者深入理解和有效地利用TensorFlow进行模型构建、训练和部署。 在TensorFlow中，API（Application Programming Interface）是开发者与库交互的一组...
tensorflow-1.1-api文档
05-05
tensorflow1.1的api文档（html版）
TensorFlow 1.0 版本 API 变动汇总
chuange6363的博客
09-10 328
TensorFlow 1.0 中的 API 不是完全的向后兼容的方式。也就是说，使用 TensorFlow 0.n 的 TensorFlow 程序不一定适用于 TensorFlow 1.0 版本。我们已经对其中一部分的 API 进行了更改，以确保内部 API 风格一致，并且不打算在整个 1.n...
一文读懂tensorflow: 基本概念和API
曲折旅程，艰难人生
12-31 1154
tensorflow最直接了当的入门资料，涵盖基本概念和API
tensorflow相关API的学习
weixin_33774615的博客
03-11 123
学习目录 1.tensorflow相关函数理解 （1）tf.nn.conv2d （2）tf.nn.relu （3）tf.nn.max_pool （4）tf.nn.dropout （5）tf.nn.sigmoid_cross_entropy_with_logits （6）tf.nn.truncated_normal （7）tf.nn.constant （8）tf.nn.placeholder （9）...
Tensorflow常用API
星辰的博客
02-21 617
import 相关模块，如 import tensorflow as tf。
关于tf.float32_ref与tf.float32数据类型的问题——tf这样定义的缘由是什么？
NLP与推荐算法
10-21 8267
在初始化变量的过程中，毫无疑问都要有tf.Variable,然而这个玩意特别令人费解，因为他的输出的数据类型是改变不了的，就是 tf.float32_ref 即便你在dtype中指定dtype为tf.float32都无用，既然不让个性化定义或修改，又何必给出这个形参呢？这不是多此一举吗？？？ __init__(self, initial_value=None, trainable=Non...
TensorFlow2.x(二) ---- 常用函数讲解（创建张量）_ 适合入门学习的最全最细讲解
qq_55476112的博客
05-15 974
最常用的创建张量的函数，如tf.constant()、tf.conver_to_tensor()等的讲解还有一些特殊张量的计算，例如创建正态分布张量、均匀分布张量、以及全零全一张量，还陆续总结了很多常遇的问题；因此非常适合新手小白入门学习。也欢迎大家留下自己的讨论
tensorflow的知识点一
yangdeshun888的博客
09-12 527
1、tf.truncated_normal与tf.random_normal tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)1 从截断的正态分布中输出随机值。  生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选
TypeError: ＜tf.Tensor ‘model/attention_layer/Reshape:0‘ shape=(50, 1) dtype=float32＞ is out of scope
最新发布
kewei chen
04-01 541
泄漏到了全局作用域中。这意味着，即使您无法从函数外部访问它，但在其他地方定义的代码可能会意外地使用它。为了解决这个问题，可以将变量定义为局部变量，或者将其作为函数返回值返回。但是，由于这个变量是在函数内部定义的，因此它只能在函数内部使用。如果您尝试在函数外部访问它，您将收到一个错误消息。这段代码是一个使用TensorFlow的Python函数。重新分配给一个新的形状，并且可以确保不会修改该层的权重。的新形状，并且不要修改该层的权重。这段代码中的问题是，在函数内部定义的变量。在函数内部，它还定义了一个名为。
FLAC岩土工程模拟：施工过程与Tensorflow API简介
"施工过程的模拟使用了tensorflow 2.0 preview API，主要涉及岩土工程中的施工模拟，特别是利用FLAC软件进行的分析。FLAC是一款强大的岩土工程专业分析工具，擅长处理大变形问题，具有丰富的本构模型和结构单元。书...
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