tf一些函数

1.

tf.reduce_mean(a) ： 求平均值

2.

tf.truncated_normal([3,2],stddev=0.1) : 从正态分布中输出随机值，标准差为0,1，构造矩阵为3*2的

3.

tf.argmax(vector, 1)：返回的是vector中的最大值的索引号，如果vector是一个向量，那就返回一个值，如果是一个矩阵，那就返回一个向量，这个向量的每一个维度都是相对应矩阵行的最大值元素的索引号。

A = [[1,3,4,5,6]]
B = [[1,3,4], [2,4,1]]

with tf.Session() as sess:
print(sess.run(tf.argmax(A, 1)))
print(sess.run(tf.argmax(B, 1)))

输出：
[4]
[2 1]

4.

tf.equal(A, B)是对比这两个矩阵或者向量的相等的元素，如果是相等的那就返回True，反正返回False，返回的值的矩阵维度和A是一样的

A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]

with tf.Session() as sess:
　　print(sess.run(tf.equal(A, B)))

输出：
[[ True  True  True False False]]
5.

tf.cast()
强制转换类型

使用案例：

import tensorflow as tf

x = tf.constant([1.8, 2.2], dtype=tf.float32)
r = tf.cast(x, tf.int32)
sess = tf.Session()
print(sess.run(r)) # [1, 2], dtype=tf.int32
6.

mnist.train.next_batch(100):拿出100个样本来

 7.

Dropout就是在不同的训练过程中随机扔掉一部分神经元。

 

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

上面方法中常用的是前两个参数：

第一个参数x：指输入

第二个参数keep_prob: 设置神经元被选中的概率

 8.

transpose函数

import tensorflow as tf

#x = tf.constant([[1, 2 ,3],[4, 5, 6]])
x = [[[1,2,3,4],[5,6,7,8],[9,10,11,12]],[[21,22,23,24],[25,26,27,28],[29,30,31,32]]]
#a=tf.constant(x)
a=tf.transpose(x, [0, 1, 2]) # 正常情况下，0，1，2
b=tf.transpose(x, [0, 2, 1]) # 将1和2的位置换了一下，原来是2*（3*4），后面的2个3和4换了一下以后，现在是2*（4*3）
c=tf.transpose(x, [1, 0, 2]) # 所有矩阵的第一行拼成一个矩阵，第二行。。。。。

with tf.Session() as sess:
print ('---------------')
print (sess.run(a))
print ('---------------')
print (sess.run(b))
print ('---------------')
print (sess.run(c))
print ('---------------')

 

 

输出：

---------------
[[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]

[[21 22 23 24]
[25 26 27 28]
[29 30 31 32]]]
---------------
[[[ 1 5 9]
[ 2 6 10]
[ 3 7 11]
[ 4 8 12]]

[[21 25 29]
[22 26 30]
[23 27 31]
[24 28 32]]]
---------------
[[[ 1 2 3 4]
[21 22 23 24]]

[[ 5 6 7 8]
[25 26 27 28]]

[[ 9 10 11 12]
[29 30 31 32]]]
---------------------

9.

tf.split

a=[[1,2,3,4,5,6],[7,8,9,10,11,12]]

s=tf.split(a,2,0) # 2是切割的数量，0是维度，对a的第0个维度切割成2份（矩阵中，第0个维度即行，第1个维度即列，如果是1维数组，只有一个维度0），这里是对行进行切割，切割完后就是1行1行的了，然后他说是2份，那就独立成份
print(tf.Session().run(s))

a=[1,2,3,4,5,6]

s=tf.split(a,3,0)  #  因为是1维数组，默认是0，因为要切成3份，所以结果是[array([1, 2]), array([3, 4]), array([5, 6])]

print(tf.Session().run(s))

 10.

tf.nn.embedding_lookup

a = [[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]]
a = np.asarray(a)
print(a)
idx1 = tf.Variable([0, 2, 3, 1], tf.int32)
idx2 = tf.Variable([[0, 2, 3, 1], [4, 0, 2, 2]], tf.int32)
out1 = tf.nn.embedding_lookup(a, idx1) # 取a的第0个序号，第2个序号，第3个序号，第1个序号对应的行
out2 = tf.nn.embedding_lookup(a, idx2) # 总共取了2个矩阵，每行取法一样
init = tf.global_variables_initializer()

with tf.Session() as sess:
　　sess.run(init)
　　print(sess.run(out1))
　　print(out1)
　　print('==================')
　　print(sess.run(out2))
　　print(out2)

11.

tf.nn.bias_add

a=tf.constant([[1,1],[2,2],[3,3]],dtype=tf.float32)
b=tf.constant([1,-1],dtype=tf.float32)

with tf.Session() as sess:
　　print(sess.run(a))
　　print(sess.run(b))
　　print('bias_add:')
　　print(sess.run(tf.nn.bias_add(a, b))) # 将后一项加到前一项

12.

tf.one_hot

classes = 4
labels = tf.constant([0,0,2]) 
output = tf.one_hot(labels,classes) 
# 后面表示输出的尺寸，前面的labels，如果是0，则表示1 0 0 0 0 ...，
# 如果是1，则表示：0 1 0 0 0 0....（即one-hot编码）
# 这个例子中，输出的长为4，

sess = tf.Session()
with tf.Session() as sess:
　　sess.run(tf.global_variables_initializer())
　　output = sess.run(output)
　　print(output)

 

out:

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

13.

>>>a = np.array([[1,2,3],[4,5,6]])
>>>np.reshape(a,(3,-1))   # -1表示不知道该填什么值的时候让它自己计算出来
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.reshape(a,(1,-1))
array([[1, 2, 3, 4, 5, 6]])
>>> np.reshape(a,(6,-1))
array([[1],
[2],
[3],
[4],
[5],
[6]])
>>> np.reshape(a,(-1,1))
array([[1],
[2],
[3],
[4],
[5],
[6]])

14.

tf.expand_dims(input, axis=None, name=None, dim=None)

在第axis位置增加一个维度，比如：

# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2] shape(expand_dims(t, 1)) ==> [2, 1] shape(expand_dims(t, -1)) ==> [2, 1] # 't2' is a tensor of shape [2, 3, 5] shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5] shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5] shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

 15.

tf.concat

# a的第0个维度有2个元素：[1,2,3],[4,5,6]，a的第1个维度有3个元素
a=[[[1,2,3],[4,5,6]]] # 维度：123
b=[[[7,8,9],[10,11,12]]] # 维度：123
# a的维度是1*2*3，b的维度是1*2*3，在第0个维度拼接的结果是：(1+1)*2*3 = 2*2*3
print(tf.concat([a,b],axis=0).shape)
print(tf.concat([a,b],axis=1).shape)
print(tf.concat([a,b],axis=2).shape)
print(tf.concat([a,b],axis=-1).shape)

16.

tf.device() 

在tensorflow中，我们可以使用 tf.device() 指定模型运行的具体设备，可以指定运行在GPU还是CUP上，以及哪块GPU上。

例如：使用 tf.device('/gpu:1') 指定Session在第二块GPU上运行：

转载于:https://www.cnblogs.com/pjishu/p/10225871.html