TensorFlow常用函数介绍

后续会慢慢补充其他函数。

tf.squeeze()

squeeze(
    input,
    axis=None,
    name=None,
    squeeze_dims=None
)

该函数返回一个张量，这个张量是将原始input中所有维度为1的那些维都删掉的结果。
比如numpy中的行向量和列向量（若不懂numpy中的行向量与列向量，可以看博客：Numpy中的行向量与列向量），有一个维度为1，可以用axis指定维度为1的那一维，然后返回一个类似于list的一维的tensor。

import tensorflow as tf
import numpy as np

# tf版本是1.x

inputs = np.array([1, 2, 3]).reshape(-1, 1)   # 列向量

y = tf.squeeze(inputs, axis = 1)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(inputs)
print(sess.run(y))

'''  
打印结果：
[[1]
 [2]
 [3]]
[1 2 3]
'''

tf.one_hot()

one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)
  # Returns a one-hot tensor.

该函数返回一个one-hot Tensor，depth参数指定一个one-hot向量的长度，如果做分类任务，那么这个向量的长度就是类别数。indices参数指定one-hot向量的哪一个位置应该为1.

import tensorflow as tf
# tf版本是2.0

# 比如有4个类别，5个样本，
def m(x):
    print(tf.executing_eagerly())
    p = tf.one_hot([0,1,1,3,2], depth=x)
    print(p.numpy())
    
m(4)

'''
输出：

True
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 0. 1.]
 [0. 0. 1. 0.]]

'''

tf.reduce_sum()

tf.reduce_sum(
    input_tensor, 
    axis=None, 
    keepdims=None,
    name=None,
    reduction_indices=None, 
    keep_dims=None)

axis=0表示按照每一列求和，axis=1表示按照每一行求和,keep_dims=True表示保持原来的维度，比如原来是二维的，操作之后就是二维的，如果不加就会降维。

tensor.eval()

tensor.eval()其实就是tf.Tensor的Session.run()的另外一种写法，但两者有差别

• eval(): 将字符串string对象转化为有效的表达式参与求值运算返回计算结果
• eval()也是启动计算的一种方式。基于Tensorflow的基本原理，首先需要定义图，然后计算图，其中计算图的函数常见的有run()函数，如sess.run()。同样eval()也是此类函数，
• 要注意的是，eval()只能用于tf.Tensor类对象，也就是有输出的Operation。对于没有输出的Operation, 可以用.run()或者Session.run()；Session.run()没有这个限制。