【tensorflow学习】不懂的函数整理

tensorflow 部分函数介绍

博主主要为了是记录一下自己在tensorflow遇到不懂的函数，整理一下方便下次查阅，肯定有小伙伴跟我一样会遇到一些不懂函数，希望也对tensorflow小白有帮助！

tf.convert_to_tensor

tf.convert_to_tensor(value,
				     dtype=None,
				     dtype_hint=None,
				     name=None)

tf.convert_to_tensor() 函数是根据指定类型dtype，将给定值value 转换为张量。

参数：

• value: 给定值类型具有注册张量转换函数的对象。
• dtype: 返回张量的可选元素类型。如果没有指定，则从值的类型推断类型。
• dtype_hint: 返回张量的可选元素类型，当dtype为None时使用。在某些情况下，调用者在转换为张量时可能没有考虑到dtype，因此dtype_hint可以用作软首选项。如果不能转换为dtype_hint，则此参数没有效果。
• name: 创建新张量时使用的可选名称。

返回值：

• 一个给定值的张量

tf.train.slice_input_producer

slice_input_producer(tensor_list, 
					num_epochs=None,
					shuffle=True, 
					seed=None,
                    capacity=32, 
                    shared_name=None, 
                    name=None)

tf.train.slice_input_producer() 函数是一个tensor生成器，作用是按照设定，每次从一个tensor列表中按顺序或者随机抽取出一个tensor放入一个队列里。该函数定义了样本放入文件名队列的方式（什么是文件名队列，在下面补充），包括迭代次数，是否乱序等，要真正将文件放入文件名队列，还需要调用tf.train.start_queue_runners 函数来启动执行文件名队列填充的线程，之后计算单元才可以把数据读出来，否则文件名队列为空的，计算单元就会处于一直等待状态，导致系统阻塞。

参数

• tensor_list：包含一系列tensor的列表，如果列表是数据和标签对应，则表中tensor的第一维度的值必须相等，即个数必须相等，有多少个图像，就应该有多少个对应的标签。
• num_epochs: 可选参数，是一个整数值，代表迭代的次数，如果设置 num_epochs=None,生成器可以无限次遍历tensor列表，如果设置为 num_epochs=N，生成器只能遍历tensor列表N次。
• shuffle： bool类型，设置是否打乱样本的顺序。一般情况下，如果shuffle=True，生成的样本顺序就被打乱了，在批处理的时候不需要再次打乱样本，使用 tf.train.batch函数就可以了;如果shuffle=False,就需要在批处理时候使用 tf.train.shuffle_batch函数打乱样本。
• seed: 可选的整数，是生成随机数的种子，在第三个参数设置为shuffle=True的情况下才有用。
• capacity：设置tensor列表的容量。
• shared_name：可选参数，如果设置一个‘shared_name’，则在不同的上下文环境（Session）中可以通过这个名字共享生成的tensor。
• name：可选，设置操作的名称。

返回值

• 一个张量

什么是文件名队列，这里引入tensorflow的数据读取机制

解释上面提到的文件名队列：

tensorflow为了充分利用GPU，减少GPU等待数据的空闲时间，使用了两个线程分别执行数据读入和数据计算。具体地说，就是开一个线程不断地将硬盘中的图片数据读入到一个内存队列中，另一个线程负责计算任务，所需数据直接从内存队列中获取。但是，tensorflow在内存队列之前，还设多了一个文件名队列，它存放的是参与训练的文件名，要训练n个epoch，则文件名队列中就含有n个批次的所有文件名。 如上图所示。

tf.random_uniform()

tf.random_uniform( shape,
				    minval=0,
				    maxval=None,
				    dtype=tf.float32,
				    seed=None,
				    name=None
				)

tf.random_uniform()是一个随机值函数。返回的值在 [minval, maxval) 范围内服从均匀分布。对于浮点数,默认范围是 [0, 1)。对于整数， maxval 值必须明确地指定。

参数：

• shape：一维整数张量或 Python 数组.输出张量的形状.
• minval：dtype 类型的 0-D 张量或 Python 值；生成的随机值范围的下限；默认为0.
• maxval：dtype 类型的 0-D 张量或 Python 值.要生成的随机值范围的上限.如果 dtype 是浮点,则默认为1 .
• dtype：输出的类型：float16、float32、float64、int32、orint64.
• seed：一个 Python 整数.用于为分布创建一个随机种子.查看 tf.set_random_seed 行为.
• name：操作的名称(可选)

返回值：

• 一个填充随机均匀值的指定形状的张量.

tf.cumsum()

tf.cumsum(
		    x,
		    axis=0,
		    exclusive=False,
		    reverse=False,
		    name=None
		)

tf.cumsum()函数是对输入张量按指定维度求和。
参数：

• x, 即我们要计算累积和的tensor。

• axis=0, 默认是沿着x的第0维计算累积和。

• exclusive=False, 表示输出结果的第一元素是否与输入的第一个元素一致。默认exclusive=False，表示输出的第一个元素与输入的第一个元素一致（By default, this op performs an inclusive cumsum, which means that the first element of the input is identical to the first element of the output）。这是官方文档的解释。当我们对一个数组arr（或其他什么东东）进行累积求和时，我们要对累积和sum进行初始化，初始化的方式有两种，一种是将累积和初始化为0，即sum=0，一种是使用数组arr的第一个元素对累积和进行初始化，即sum=arr[0]。所以参数exclusive描述的是如何对累积和进行初始化。

• reverse=False, 表示是否逆向累积求和。默认reverse=False，即正向累积求和。

返回值

• 输入tensor按axis求和的结果

tf.reduce_min() 和 tf.reduce_max()

tf.reduce_min(or reduce_max)(
	    input_tensor,
	    axis=None,
	    keep_dims=False,
	    name=None,
	    reduction_indices=None
)

tf.reduce_min函数用来计算一个张量的各个维度上元素的最小值。同样按照axis给定的维度减少input_tensor.除非 keep_dims 是true,否则张量的秩将在axis的每个条目中减少1.如果keep_dims为true,则减小的维度将保留为长度1。如果axis没有条目,则缩小所有维度,并返回具有单个元素的张量.
tf.reduce_max () 函数用来计算一个张量的各个维度上元素的最大值。
参数：

• input_tensor：减少的张量.应该有数字类型.
• axis：要减小的尺寸.如果为None(默认),则缩小所有维度.必须在[-rank(input_tensor), rank(input_tensor))范围内.
• keep_dims：如果为true,则保留长度为1的缩小维度.
• name：操作的名称(可选).
• reduction_indices：axis的废弃的名称.

返回：

• 该函数返回减少/增加的张量.

部分参考文章：
https://blog.csdn.net/weixin_42052460/article/details/80714379

https://www.w3cschool.cn/tensorflow_python/tensorflow_python-m6e72huz.html

https://blog.csdn.net/yiranningjing/article/details/79451786