踩坑tensorflow之函数篇（二）——断言函数

由于tensorflow中的函数名称和种类众多，在对tensorflow的函数有一个整体的认识之前，只能将函数分类后按照类别的字典顺序进行介绍，这一系列全部结束之后会有 一些总结。

本文介绍的是Asserts and boolean checks（断言函数）。断言函数主要用于判断输入参数是否满足各种预设条件，例如是否大于零，是否在某个范围内，是否为规定的数据类型等，常见于程序 的调试过程中。Tensorflow中的断言函数主要包括：

• tf.assert_negative（用于判断数据x中的每个变量是否都小于零，x为空时亦满足条件）
• tf.assert_positive（用于判断数据x中的每个变量是否都大于零，x为空时亦满足条件）
• tf.assert_proper_iterable（用于判断变量是否可迭代）
• tf.assert_non_negative（用于判断数据x中的每个变量是否都非负，x为空时亦满足条件）
• tf.assert_non_positive（用于判断数据x中的每个变量是否都非正，x为空时亦满足条件）
• tf.assert_equal（用于判断数据x和y中的每个变量是否都完全相同，x和y同时为空时亦满足条件）
• tf.assert_integer（判断数据的类型是否为整型）
• tf.assert_less（用于判断数据x中的每个变量是否都小于y中对应位置的变量，x和y同时为空时亦满足条件）
• tf.assert_less_equal（用于判断数据x中的每个变量是否都小于等于y中对应位置的变量，x和y同时为空时亦满足条件）
• tf.assert_greater（用于判断数据x中的每个变量是否都大于y中对应位置的变量，x和y同时为空时亦满足条件）
• tf.assert_greater_equal（用于判断数据x的每个变量是否都大于等于y中对应位置的变量，x和y同时为空时亦满足条件）
• tf.assert_rank（用于判断张量x的深度是否等于rank）
• tf.assert_rank_at_least（用于判断张量x的深度是否大于等于rank）
• tf.assert_type（用于判断张量x的数据是否为指定类型）
• tf.is_non_decreasing（用于判断张量x的第i个数据是否小于等于第i+1个数据）
• tf.is_numeric_tensor（用于判断x的数据类型是否为数值）
• tf.is_strictly_increasing（用于判断张量x的第i个数据是否小于第i+1个数据）

1  tf.assert_negative

tf.assert_negative、tf.assert_positive、tf.assert_non_negative、tf.assert_non_positive的函数原型相同，以tf.assert_negative为例，其原型为：

tf.debugging.assert_negative(
    x,
    data=None,
    summarize=None,
    message=None,
    name=None
)

其中各输入参数的含义分别为：x为储存数据的张量，data表示如果条件不满足需要打印的数据，默认为出错信息和x的前几个分量，summarize表示打印的每个张量的分量数目(默认为3个)，message为自定义的信息，加在错误信息之前作为前缀，name表示自定义的该操作的名称，默认为assert_negative。

如果不满足条件，该函数的返回值InvalidArgumentError，并根据用户自定义执行相关操作。

2 tf.assert_proper_iterable

函数原型为

tf.debugging.assert_proper_iterable(values)

values为待检测的变量，当value不可迭代时返回TypeError。

3 tf.assert_equal

tf.assert_equal、tf.assert_less、tf.assert_less_equal、tf.assert_greater、tf.assert_greater_equal的函数原型相同，以tf.assert_equal为例。

函数原型为：

tf.debugging.assert_equal(
    x,
    y,
    message=None,
    summarize=None,
    name=None
)

其中x和y为待比较的两个张量，其余参数定义与 1中相同。当x不等于y时返回InvalidArgumentError。

4.tf.assert_integer

函数原型为

tf.debugging.assert_integer(
    x,
    message=None,
    name=None
)

x为基类型为整数的张量并且非量化，如果x.dtype不是非量化整数，返回TypeError。

5.tf.assert_rank

函数原型为：

tf.debugging.assert_rank(
    x,
    rank,
    message=None,
    name=None
)

x为输入张量，rank为一个标量，当x的深度不等于rank时，反会InvalidArgumentError 。

6.tf.assert_rank_at_least

函数原型为：

tf.debugging.assert_rank_at_least(
    x,
    rank,
    data=None,
    summarize=None,
    message=None,
    name=None
)

参数定义及返回值与5相同。

7tf.assert_type

函数原型

tf.debugging.assert_type(
    tensor,
    tf_type,
    message=None,
    name=None
)

其中，tensor为输入参数，tf_type为tensorflow中的数据类型，如dtypes.float32, tf.int64, dtypes.bool等。当数据类型不相同时，返回TypeError。

8.tf.is_non_decreasing

tf.is_non_decreasing与tf.is_strictly_increasing函数原型相同，以tf.is_non_decreasing以为例。

函数原型为：

tf.math.is_non_decreasing(
    x,
    name=None
)

其中x为数值张量，当x的数据类型不为数值时，返回TypeError，否则返回一个布尔型的张量。

9.tf.is_numeric_tensor

函数原型为：

 

tf.debugging.is_numeric_tensor(tensor)

如果tensor的数据类型为

• tf.float32
• tf.float64
• tf.int8
• tf.int16
• tf.int32
• tf.int64
• tf.uint8
• tf.qint8
• tf.qint32
• tf.quint8
• tf.complex64

其中之一，则返回True，否则返回False。