TensorFlow学习记录

最新推荐文章于 2022-12-27 14:05:46 发布

Mr番茄蛋

最新推荐文章于 2022-12-27 14:05:46 发布

阅读量178

点赞数

分类专栏： tensorflow

本文链接：https://blog.csdn.net/qq_35203425/article/details/82689017

版权

tensorflow 专栏收录该内容

20 篇文章 1 订阅

订阅专栏

tf.stack和tf.unstack

解析：

tf.stack

stack(values, axis=0, name='stack')

#假如'x'为[1, 4]，'y'为[2, 5]，'z'为[3, 6]，
#那么:
tf.stack([x, y, z]) => [[1, 4], [2, 5], [3,6]]，
tf.stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]。
tf.stack([x, y, z]) = np.asarray([x, y, z])。

tf.unstack

unstack(value, num=None, axis=0, name='unstack')
tf.unstack(x, n) = list(x)。

举个例子，如下所示：

import tensorflow as tf

a = tf.constant([1,2,3])
b = tf.constant([4,5,6])
c = tf.stack([a,b],axis=1)
d = tf.unstack(c,axis=0)
e = tf.unstack(c,axis=1)
print(c.get_shape())
with tf.Session() as sess:
    print(sess.run(c))
    print(sess.run(d))
    print(sess.run(e))
# 结果输出，如下所示：

#[[1 4][2 5][3 6]]

#[array([1, 4], dtype=int32), array([2, 5], dtype=int32), #array([3, 6], dtype=int32)]

#[array([1, 2, 3], dtype=int32), array([4, 5, 6], dtype=int32)]

tf.split

split(value, num_or_size_splits, axis=0, num=None, name='split')
假设value的shape为[5, 30]，如下所示：

（1）如果split0, split1, split2 = tf.split(value, [4, 15, 11], 1)，那么
tf.shape(split0) ==> [5, 4] tf.shape(split1) ==> [5, 15] tf.shape(split2) ==> [5, 11]

（2）如果split0, split1, split2 = tf.split(value, num_or_size_splits=3, axis=1)，那么
tf.shape(split0) ==> [5, 10]

举个例子，如下所示：

import tensorflow as tf

A = [[1, 2, 3], [4, 5, 6]]
x0 = tf.split(A, num_or_size_splits=3, axis=1)
x1 = tf.unstack(A, num=3, axis=1)
x2 = tf.split(A, num_or_size_splits=2, axis=0)
x3 = tf.unstack(A, num=2, axis=0)
with tf.Session() as sess:
    print(sess.run(x0))
    print(sess.run(x1))
    print(sess.run(x2))
    print(sess.run(x3))
# 结果输出，如下所示：
[array([[1],[4]]), array([[2],[5]]), array([[3],[6]])]

[array([1, 4]), array([2, 5]), array([3, 6])]

[array([[1, 2, 3]]), array([[4, 5, 6]])]

[array([1, 2, 3]), array([4, 5, 6])]

# 说明：axis=0表示按行操作，axis=1表示按列操作。

tf.nn.rnn_cell.BasicLSTMCell和tf.contrib.rnn.BasicLSTMCell

state_is_tuple

解析：如果state_is_tuple=True，那么state是元组形式，state=(c,h)。如果state_is_tuple=False，那么state是一个由

c和h拼接起来的张量，state=tf.concat(1,[c,h])。

tf.subtract

解析：
subtract(x, y, name=None)
如下所示：

（1）x: A Tensor. Must be one of the following types: half, float32, float64, int32, int64, complex64, complex128.

（2）y: A Tensor. Must have the same type as x.

（3）name: A name for the operation (optional).

tf.multiply和tf.matmul区别

解析：

（1）tf.multiply是点乘，即Returns x * y element-wise.

（2）tf.matmul是矩阵乘法，即Multiplies matrix a by matrix b, producing a * b.

tf.contrib.layers.xavier_initializer

解析：xavier_initializer(uniform=True, seed=None, dtype=tf.float32)：An initializer for a weight matrix.

1.uniform: Whether to use uniform or normal distributed random initialization.

2.seed: A Python integer. Used to create random seeds. See tf.set_random_seed for behavior.

3.dtype: The data type. Only floating point types are supported.

tf.concat

解析：
concat(values, axis, name='concat')
假设t1 = [[1, 2, 3], [4, 5, 6]]，t2 = [[7, 8, 9], [10, 11, 12]]，那么

tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]，tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

dynamic_rnn与static_rnn [1]

解析：可以分别静态和动态构建RNN模型，如下所示：

rnn_outputs, final_state = tf.nn.static_rnn(cell, rnn_inputs, initial_state=init_state)

rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, rnn_inputs, initial_state=init_state)

两者的区别，如下所示：

使用static_rnn时，输入为一个列表，len(list)=num_step，list[0].shape=[batch_size, input_feature]，输出为一个列表，len(list)=num_step，list[0].shape=[batch_size, num_hidden]。
使用dynamic_rnn时，输入为[batch_size, num_step, input_feature]的三维Tensor，输出为[batch_size, num_step, num_hidden]的三维Tensor。

说明：dynamic_rnn可以让不同迭代传入的batch是长度不同的数据，但同一次迭代一个batch内部的所有数据长度是固定的。但是，static_rnn不能这样，它要求每一时刻传入的数据为[batch_size, max_seq]，并且在每次迭代过程中都保持不变。

tf.get_default_graph和tf.reset_default_graph

解析：

tf.get_default_graph()：返回返回当前线程的默认图。

tf.reset_default_graph()：清除默认图的堆栈，并设置全局图为默认图。

双曲正切函数（tanh）

解析：

$f(z) = \tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}$

说明：tanh值域的范围为(-1,1)。

TensorFlow中的常量、序列、随机数

解析：

tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]

tf.zeros([2, 3], int32) ==> [[0, 0, 0], [0, 0, 0]]

假设tensor为[[1, 2, 3], [4, 5, 6]]，那么
tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]

假设tensor为[[1, 2, 3], [4, 5, 6]]，那么
tf.zeros_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]

tf.fill([2, 3], 9) ==> [[9, 9, 9], [9, 9, 9]]

tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.] [-1. -1. -1.]

tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0 11.0 12.0]

tf.range(start,limit=None,delta=1,name='range')：返回一个tensor等差数列，该tensor中的数值在start到limit之间，不包括limit，delta是等差数列的差值。

tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)：返回一个tensor其`中的元素的值服从正态分布。

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)：返回一个`tensor其中的元素服从截断正态分布。

tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)：返回一个形状`为shape的tensor，其中的元素服从minval和maxval之间的均匀分布。

tf.random_shuffle(value,seed=None,name=None)：对value（是一个tensor）的第一维进行随机化。比如，

[[1,2], [2,3],[3,4]] ==> [[2,3], [1,2], [3,4]]。

tf.set_random_seed(seed)：设置产生随机数的种子。

softmax(logits, dim=-1, name=None)

解析：

logits: A non-empty Tensor. Must be one of the following types: half, float32, float64.

dim: The dimension softmax would be performed on. The default is -1 which indicates the last dimension.

name: A name for the operation (optional).

tf.shape(x)和x.get_shape()区别

解析：

都可以得到tensor x的尺寸。
tf.shape()中x数据类型可以是tensor，list，array，而x.get_shape()中x的数据类型只能是tensor，且返回的是一个元组。

tf.slice

解析：slice(input_, begin, size, name=None)：Extracts a slice from a tensor.

假设input为[[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]]，如下所示：

（1）tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]]

（2）tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3], [4, 4, 4]]]

（3）tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> [[[3, 3, 3]], [[5, 5, 5]]]

FLAGS = tf.app.flags.FLAGS

解析：

（1）tf.app.flags.DEFINE_string()

（2）tf.app.flags.DEFINE_integer()

（3）tf.app.flags.DEFINE_boolean()

（4）tf.app.flags.DEFINE_integer()

说明：TensorFlow通过设置flags来传递tf.app.run()所需的参数。

tf.get_default_graph()

解析：得到默认的图。

Graph.as_default()

解析：with tf.Graph().as_default():…：使用Graph.as_default()上下文管理器可以覆盖默认的图。

多个Session和Graph

解析：

import tensorflow as tf

g1 = tf.Graph()
with g1.as_default():
    c1 = tf.constant([1.0])
with tf.Graph().as_default() as g2:
    c2 = tf.constant([2.0])

with tf.Session(graph=g1) as sess1:
    print sess1.run(c1)
with tf.Session(graph=g2) as sess2:
    print sess2.run(c2)