Tensorflow - tf常用函数使用（持续更新中）

本人较懒，故间断更新下常用的tf函数以供参考： 

 

一、tf.reduce_sum( )

reduce_sum( ) 个人理解是降维求和函数，在 tensorflow 里面，计算的都是 tensor，可以通过调整 axis 的维度来控制求和维度。

参数：

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

返回：

该函数返回减少的张量.

numpy兼容性

相当于np.sum；

 

此处axis为tensor的阶数，使用该函数将消除tensor指定的阶axis，同时将该阶下的所有的元素进行累积求和操作。

看一个官方示例：

x = tf.constant([[1, 1, 1], [1, 1, 1]])
tf.reduce_sum(x)  # 6
tf.reduce_sum(x, 0)  # [2, 2, 2]
tf.reduce_sum(x, 1)  # [3, 3]
tf.reduce_sum(x, 1, keep_dims=True)  # [[3], [3]]
tf.reduce_sum(x, [0, 1])  # 6

此函数计算一个张量的各个维度上元素的总和. 

函数中的input_tensor是按照axis中已经给定的维度来减少的；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.

 

 二、tf.ones_like | tf.zeros_like

tf.ones_like(tensor,dype=None,name=None)
tf.zeros_like(tensor,dype=None,name=None)
新建一个与给定的tensor类型大小一致的tensor，其所有元素为1和0，示例如下：

tensor=[[1, 2, 3], [4, 5, 6]] 
x = tf.ones_like(tensor) 
print(sess.run(x))

#[[1 1 1],
# [1 1 1]]

 

三、tf.reduce_mean（）

tf.reduce_mean 函数用于计算张量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。

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

第一个参数input_tensor： 输入的待降维的tensor;
第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
第三个参数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;
第四个参数name： 操作的名称;
第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;

以一个维度是2，形状是[2,3]的tensor举例：

import tensorflow as tf
 
x = [[1,2,3],
      [1,2,3]]
 
xx = tf.cast(x,tf.float32)
 
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
 
 
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

如果设置保持原来的张量的维度，keep_dims=True ，结果：

print m_a    # output: [[ 2.]]
print m_0    # output: [[ 1.  2.  3.]]
print m_1    #output:  [[ 2.], [ 2.]]
 
 

 

类似的函数还有:

• tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
• tf.reduce_max  :  计算tensor指定轴方向上的各个元素的最大值;
• tf.reduce_all :  计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
• tf.reduce_any:  计算tensor指定轴方向上的各个元素的逻辑或（or运算）;

 

转载于:https://www.cnblogs.com/Jesee/p/11455697.html