一、矩阵生成
1、tf.ones | tf.zeros
用法
tf.ones(shape,type=tf.float32,name=None)
tf.zeros(shape,type=tf.int32,name=None)
说明:生成全0/全1矩阵,返回一个tensor
input = tf.zeros([2,2])
[[ 0. 0.]
[ 0. 0.]]
input = tf.ones([3,3])
[[ 1. 1. 1.]
[ 1. 1. 1.]
[ 1. 1. 1.]]
2、tf.ones_like | tf.zeros_like:
tf.ones_like(tensor,dype=None,name=None)
tf.zeros_like(tensor,dype=None,name=None)
说明:生成与给定的tensor类型大小一致的tensor,其所有元素为1或0
3、tf.fill
tf.fill(shape,value,name=None)
说明:创建一个形状大小为shape的tensor,初始值为value
output = tf.fill([3,2],3)
[[3 3]
[3 3]
[3 3]]
4、tf.constant
tf.constant(value,dtype=None,shape=None,name=’Const’)
创建一个常量tensor,按照给出value来赋值,可以用shape来指定其形状。value可以是一个数,也可以是一个list。
- 如果是一个数,那么这个常量中所有值的按该数来赋值。
- 如果是list,那么len(value)一定要小于等于shape展开后的长度。赋值时,先将value中的值逐个存入。不够的部分,则全部存入value的最后一个值。
output = tf.constant(3,dtype=tf.int8,shape=[2,4])
[[3 3 3 3]
[3 3 3 3]]
output2 = tf.constant([1,2,3,4],dtype=tf.int8,shape=[2,4])
[[1 2 3 4]
[4 4 4 4]]
5、tf.random_normal | tf.truncated_normal | tf.random_uniform
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)
说明:这几个都是用于生成随机数tensor的。尺寸是shape
random_normal: 正太分布随机数,均值mean,标准差stddev
truncated_normal:截断正态分布随机数,均值mean,标准差stddev,不过只保留[mean-2*stddev,mean+2*stddev]范围内的随机数
random_uniform:均匀分布随机数,范围为[minval,maxval]
二、矩阵变换
1、tf.shape
tf.shape(Tensor)
说明:返回张量的形状。但是注意,tf.shape函数本身也是返回一个张量。而在tf中,张量是需要用sess.run(Tensor)来得到具体的值的
output3 = tf.constant([1,2,3,4],dtype=tf.int8,shape=[2,4])
output4 = tf.shape(output3)
[2 4]
2、tf.expand_dims
tf.expand_dims(Tensor, dim)
说明:为张量+1维。
# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]
# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]
3、tf.sparse_to_dense
def sparse_to_dense(sparse_indices,
output_shape,
sparse_values,
default_value=0,
validate_indices=True,
name=None):
说明:稀疏矩阵转密集矩阵
sparse_indices: 元素的坐标[[0,0],[1,2]] 表示(0,0),和(1,2)处有值
output_shape: 得到的密集矩阵的shape
sparse_values: sparse_indices坐标表示的点的值,可以是0D或者1D张量。若0D,则所有稀疏值都一样。若是1D,则len(sparse_values)应该等于len(sparse_indices)
default_values: 缺省点的默认值
4、tf.random_shuffle
tf.random_shuffle(value,seed=None,name=None)
沿着value的第一维进行随机重新排列
5、tf.equal
tf.equal(x, y, name=None):
判断两个tensor是否每个元素都相等。返回一个格式为bool的tensor
6、tf.cast
cast(x, dtype, name=None)
将x的数据格式转化成dtype.例如,原来x的数据格式是bool,那么将其转化成float以后,就能够将其转化成0和1的序列。反之也可以
7、tf.matmul
用来做矩阵乘法。若a为l*m的矩阵,b为m*n的矩阵,那么通过tf.matmul(a,b) 结果就会得到一个l*n的矩阵
不过这个函数还提供了很多额外的功能。
8、tf.reshape
reshape(tensor, shape, name=None)
顾名思义,就是将tensor按照新的shape重新排列。一般来说,shape有三种用法:
如果 shape=[-1], 表示要将tensor展开成一个list
如果 shape=[a,b,c,…] 其中每个a,b,c,..均>0,那么就是常规用法
如果 shape=[a,-1,c,…] 此时b=-1,a,c,..依然>0。这表示tf会根据tensor的原尺寸,自动计算b的值。