tensorflow 常用函数

引言

最近因为工作需要开始学习tensorflow，既然是学习就要从基本开始，这里参照机器学习界的“hello world”实例程序，对一些常用的tensorflow函数进行了整理归纳，主要参考了官方文档及csdn一些大神的学习资料，下面开始介绍常用函数

1. 基本函数

1.1 tf.random_normal()函数

用于从“服从指定正态分布的序列”中随机取出指定个数的值。

函数原型：

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

参数：

• shape: 输出张量的形状，必选
• mean: 正态分布的均值，默认为0
• stddev: 正态分布的标准差，默认为1.0
• dtype: 输出的类型，默认为tf.float32
• seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
• name: 操作的名称

1.2 tf.Variable函数

tf.Variable(initializer,name),参数initializer是初始化参数，name是可自定义的变量名称，在TensorFlow里，变量的定义和初始化是分开的，所有关于变量的赋值和计算都要通过tf.Session的run来进行。想要将所有变量进行集体初始化时应该使用tf.global_variables_initializer。

原型：

tf.Variable(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,
             constraint=None):

常用参数说明：

• initial_value：默认为None，可以搭配tensorflow随机生成函数，如上例。
• trainable：默认为True，可以后期被算法优化的。如果不想该变量被优化，改为False。
• validate_shape：默认为True，形状不接受更改，如果需要更改，validate_shape=False。
• name：默认为None，给变量确定名称。

实例：

weights = {
   
    'conv1': tf.Variable(tf.random_normal([5, 5, 1, 32]),name='conv1_w'),
    'conv2': tf.Variable(tf.random_normal([5, 5, 32, 64]),name='conv2_w'),
    'fc1': tf.Variable(tf.random_normal([7 * 7 * 64, 256]),name='fc1_w'),
    'out': tf.Variable(tf.random_normal([256, n_classes]),name='out_w')
}

1.3 tf.convert_to_tensor函数

将python的数据类型转换成TensorFlow可用的tensor数据类型

原型：

convert_to_tensor(value, dtype=None, name=None, preferred_dtype=None)

参数：

• value：类型具有注册张量转换函数的对象。
• dtype：返回张量的可选元素类型。如果缺少，则从值的类型推断类型。
• name：创建新张量时使用的可选名称。
• preferred_dtype：返回张量的可选元素类型，当dtype为None时使用。在某些情况下，调用者在转换为张量时可能没有考虑到dtype，因此dtype_hint可以用作软首选项。如果不能转换为dtype_hint，则此参数没有效果。

实例：

weights0 = np.array([[[0, -1, 0],
                      [-1, 4, -1],
                      [0, -1, 0]],
                     [[1, 0, -1],
                      [1, 0, -1],
                      [1, 0, -1]],
                     [[1, 1, 1],
                      [0, 0, 0],
                      [-1, -1, -1]]
                     ])
weights1 =