数据统计:
求x中y维度上的最大值:
tf.reduce_max(x,axis=y)
求x中y维度上的最小值:
tf.reduce_min(x,axis=y)
求x中y维度中的平均值:
tf.reduce_mean(x,axis=y)
若不设置axis参数,则默认范围为全维度,即在全维度中寻找最大值(最小值、平均值)
例:
### x= [ [1,2,3],
### [4,5,6],
### [7,8,9] ]
### x.shape ->[3,3]
m=tf.reduce_max(x,axis=0)
### m == [7,8,9]
n=tf.reduce_min(x,axis=0)
### n == [1,2,3]
z=tf.reduce_mean(x,axis=0)
### z == [4,5,6]
寻找x中y维度上最大值的位置:
tf.argmax(x,axis=y)
寻找x中y维度上最小值的位置:
tf.argmin(x,axis=y)
例:
### x= [ [1,2,3],
### [4,5,6],
### [7,8,9] ]
### x.shape ->[3,3]
m=tf.argmax(x,axis=0)
### m == [2 2 2] 意思为在0轴上(列),位值分别为2 2 2的数在所在列上最大
n=tf.argmin(x,axis=0)
### n == [0 0 0]
比较x和y各个位上的数是否相同,返回bool值,常用于计算精度:
tf.equal(x,y)
例:
### x=[1,2,3,4,5]
### y=[1,2,3,5,4]
z=tf.equal(x,y)
### z==(True,True,True,False,False)
去重:返回两部分,第一部分为去重后的tensor,第二部分为第一部分在原tensor中的索引.
tf.unique(x)
例:
### x=[1,2,3,4,5,4,3,2,1]
n,m=tf.unique(x)
### n==[1,2,3,4,5]
### m==[0,1,2,3,4,3,2,1,0]
张量排序:
将x中的数从小到大的顺序排序:
tf.sort(x)
将x中的数从大到小的顺序排序:
tf.sort(x,direction='DESCENDING')
例:
### x=[3,5,4,1,2]
y=tf.sort(x)
### y==[1,2,3,4,5]
z=tf.sort(x,direction='DESCENDING')
### z==[5,4,3,2,1]
张量限幅:
将x中的数控制在大于n的范围内,即<n的数等于n:
tf.maximum(x,n)
例:
### x=[1,2,3,4,5]
y=tf.maximum(x,3)
### y==[3,3,3,4,5]
将x中的数控制在小于n的范围内,即>n的数等于n:
tf.minimum(x,n)
例:
### x=[1,2,3,4,5]
y=tf.minimum(x,3)
### y==[1,2,3,3,3]
将x中的数控制在min和max之间,即<min的数等于min,>max的数等于max:
tf.clip_by_value(x,min,max)
例:
### x=[1,2,3,4,5,6,7,8,9]
y=tf.clip_by_value(x,3,7)
### y==[3,3,3,4,5,6,7,7,7]
使x中的数,小于0的等于0,其余不变:
tf.nn.relu(x)
等同于:
tf.maximum(x,0)
例:
### x=[-3,-2,-1,0,1,2,3]
y=tf.nn.relu(x)
### y=[0,0,0,0,1,2,3]