Tensorflow中的库函数

置顶何时西风止

已于 2022-05-25 14:24:09 修改

阅读量1.4k

点赞数 2

分类专栏： python 文章标签： tensorflow

于 2019-09-18 11:25:25 首次发布

本文链接：https://blog.csdn.net/qq_44774031/article/details/100973586

版权

python 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1.函数：

tf.placeholder(
dtype,
shape=None,
name=None
 )

参数：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
name：名称
释义：
占位
作用：
Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。
所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。
转载：
https://blog.csdn.net/kdongyi/article/details/82343712

2.函数：

tf.reshape(
tensor, 
shape, 
name=None
)

释义：
将张量 tensor 的形状改为 shape，shape为一个列表。
注意：
shape 设置为 -1 的位置，表示函数自动进行计算这一维的大小，只能存在一个 -1。

3.函数：

tf.truncated_normal(
shape, 
mean, 
stddev
)

释义：
截断的产生正态分布的随机数，即随机数与均值的差值若大于两倍的标准差，则重新生成。
参数:
shape，生成张量的维度
mean，均值
stddev，标准差

4.函数：

tf.Variable（
initializer， 
name
）

参数：
initializer，初始化参数，可以有tf.random_normal，tf.constant，tf.constant等
name，变量的名字
释义：
保存和更新神经网络中的参数。

5.函数：

tf.nn.conv2d (
input,
filter,
strides, 
padding, 
use_cudnn_on_gpu=None, 
data_format=None,
name=None
)

参数：
a.input : 输入的要做卷积的图片，要求为一个张量，
shape： [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3。

b.filter：卷积核，要求也是一个张量，shape为 [ filter_height, filter_weight, in_channel, out_channels ]，其中 filter_height 为卷积核高度，filter_weight 为卷积核宽度，in_channel 是图像通道数，和 input 的 in_channel 要保持一致，out_channel 是卷积核个数。

c.strides：卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必须是1。（代表步长，其值可以直接默认一个数，也可以是一个四维数如[1,2,1,1]，则其意思是水平方向卷积步长为第二个参数2，垂直方向步长为1.）

d.padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。”SAME”是考虑边界，不足的时候用0去填充周围，”VALID”则不考虑

e.use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true
释义：
卷积操作

6.函数：

tf.nn.relu(
tensor,
weights
)

释义：
激活函数
作用：
将大于0的数保持不变，小于0的数置为0。

7.函数：

tf.nn.dropout(
		x,
  	keep_prob,
	noise_shape=None,
	seed=None,
	name=None
)

参数：
x:输入，一般为全连接网络的输入
keep_prob:float类型，设置神经元（元素）被选中的概率,在初始化时keep_prob是一个占位符, keep_prob = tf.placeholder(tf.float32) 。tensorflow在run时设置keep_prob具体的值。

noise_shape : 一个1维的int32张量，代表了随机产生“保留/丢弃”标志的shape。
seed : 整形变量，随机数种子。
name：指定该操作的名字
注意：
train的时候才是dropout起作用的时候，设置0<keep_prob<1,
dev和test的时候不应该让dropout起作用,设置 keep_prob=1.0
作用：
一般用在全连接层，为了防止或减轻过拟合而使用的函数。

8.函数：

tf.matmul（A，B）

释义：
矩阵相乘

9.函数：

reduce_mean(input_tensor,
            axis=None,
            keep_dims=False,
            name=None,
            reduction_indices=None)

参数：
input_tensor：输入的待降维的tensor;
axis：指定的轴，如果不指定，则计算所有元素的均值;
keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;

name：操作的名称;
reduction_indices：在以前版本中用来指定轴，已弃用;
释义：
计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。

10.函数

tf.nn.softmax_cross_entropy_with_logits(
	logits, 
	labels, 
	name=None
)

参数：
logits：就是神经网络最后一层的输出，如果有batch的话，它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes

labels：实际的标签，大小同上

11.函数：

tf.train.AdamOptimizer

参数：
learning_rate：张量或浮点值。学习速率
beta1：一个浮点值或一个常量浮点张量。一阶矩估计的指数衰减率
beta2：一个浮点值或一个常量浮点张量。二阶矩估计的指数衰减率
epsilon：数值稳定性的一个小常数
use_locking：如果True，要使用lock进行更新操作
name：应用梯度时为了创建操作的可选名称。默认为“Adam”

释义：
是一个寻找全局最优点的优化算法，引入了二次方梯度校正

12.函数：

tf.argmax(
input,
axis=None,
name=None,
dimension=None,
output_type=tf.int64
)

参数：
input:输入矩阵
axis:默认为None
axis=0:按列寻找最大值
axis=1:按行寻找最大值
name:默认为None
dimension:默认为None
output_type:默认类型为int64
释义：
返回最大的那个数值所在的下标（第一个参数是矩阵，第二个参数是0或者1。0表示的是按列比较返回最大值的索引，1表示按行比较返回最大值的索引）
input为向量时，返回最大数值的索引；
input为矩阵时，返回每一行或每一列最大数值的矩阵。

13.函数：

tf.equal（
x, y
）

释义：
判断x， y是否相等，相等返回true，不相等false

14.函数：

tf.cast(
x, 
dtype, 
name=None
)

参数：
x，输入张量
dtype，转换数据类型
name，名称
释义：
数据类型转换

15.函数：

tf.train.Saver()

释义：
saver = tf.train.Saver()
saver.save(sess, ‘路径 + 模型文件名’）
保存和加载模型

16.函数：

tf.global_variables_initializer()

释义:
含有tf.Variable的环境下，因为tf中建立的变量是没有初始化的，也就是在debug时还不是一个tensor量，而是一个Variable变量类型

19.函数：

Tensor.eval()

参数：
在一个Seesion里面“评估”tensor的值（其实就是计算），首先执行之前的所有必要的操作来产生这个计算这个tensor需要的输入，然后通过这些输入产生这个tensor。在激发tensor.eval()这个函数之前，tensor的图必须已经投入到session里面，或者一个默认的session是有效的，或者显式指定session.

feed_dict:一个字典，用来表示tensor被feed的值（联系placeholder一起看）
session:（可选）用来计算（evaluate）这个tensor的session.要是没有指定的话，那么就会使用默认的session。
释义：
eval() 其实就是tf.Tensor的Session.run() 的另外一种写法

20.函数：

tensor.eval()

释义：
eval() 其实就是tf.Tensor的Session.run() 的另外一种写法
注意：
每次使用 eval 和 run时，都会执行整个计算图。

21.函数：

tf.one_hot(
    indices,输入
    depth,张量维度
    on_value=None,#默认为1
    off_value=None,#默认为0
    axis=None,
    dtype=None,
    name=None)
    返回一个one-hot张量。

22.函数：

	tf.cast(x,dtype,name):数据类型转换

23.函数：

tf.reduce(
	input_tensor,
    axis=None,
    keepdims=None,
    name=None,
    reduction_indices=None,
    keep_dims=None
    )
input_tensor： 输入待求和的tensor;
axis： 指定的维，如果不指定，则计算所有元素的总和;
keepdims：是否保持原有张量的维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
name： 操作的名称;
reduction_indices：在以前版本中用来指定轴，已弃用;
keep_dims：在以前版本中用来设置是否保持原张量的维度，已弃用;

24.函数：

tf.log(x)---> y=log(x)

返回一个张量,与 x具有相同的类型.

25.函数：

tf.get_collection(
			 key,
			scope=None)
从一个集合中取出变量。
获取key集合中的所有元素，返回一个列表。列表的顺序依变量放入集合中的先后而定。
scope为可选参数，表示的是名称空间（名称域），如果指定，就返回名称域中所有放入‘key’的变量的列表，不指定则返回所有变量。

26.函数：

tf.boolean_mask(
				tensor, ：被过滤的元素列表或数组
				mask, 一堆 bool 值，它的维度不一定等于 tensor
				name="boolean_mask",
				 axis=None)
				 tensor

作用：通过布尔值过滤。

27.函数：

28.函数：
后续不断更新… …

何时西风止

关注

2
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
Tensorflow中的库函数

1.函数：tf.placeholder(dtype,shape=None,name=None)参数：dtype：数据类型。常用的是tf.float32,tf.float64等数值类型shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）name：名称释义：占位作用：Tensorflow的设计理念称之为计算流...
复制链接

扫一扫