重载运算符中的const_EffectiveTensorFlowChapter6——在TensorFlow中利用运算符重载

本文翻译自： ， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。

和 Numpy 一样，为了使代码可读性更强，更容易绘制一个计算图，TensorFlow重载了很多python中的运算符。

切片(slice)操作是众多重载运算符中的一个，它可以使得索引张量变得很容易：

z = x[begin:end] # z = tf.slice(x, [begin], [end-begin])

但是在使用的时候还是需要注意。切片操作的效率非常低，因此最好避免使用，特别是在切片的数量很大的时候。为了更好地理解这个操作符有多么地低效，我们先观察一个例子。我们想要人工实现一个对矩阵的行进行reduce操作的代码：

import tensorflow as tfimport timex = tf.random_uniform([500, 10])z = tf.zeros([10])for i in range(500): z += x[i]sess = tf.Session()start = time.time()sess.run(z)print("Took %f seconds." % (time.time() - start))

在我的MacBook Pro上，这段代码执行了2.67秒！如此耗时的原因是我们调用了切片操作500次，这个操作非常缓慢！一个更好的选择是使用tf.unstack()操作去将一个矩阵切成一个向量的列表，而这只需要一次就行！

z = tf.zeros([10])for x_i in tf.unstack(x): z += x_i

这个操作花费了0.18秒，当然，最正确的方式去实现这个需求是使用tf.reduce_sum()操作：

z = tf.reduce_sum(x, axis=0)

这个仅仅使用了0.008秒，是原始实现的300倍！ TensorFlow除了切片操作，也重载了一系列的数学逻辑运算，如：

z = -x # z = tf.negative(x)z = x + y # z = tf.add(x, y)z = x - y # z = tf.subtract(x, y)z = x * y # z = tf.mul(x, y)z = x / y # z = tf.div(x, y)z = x // y # z = tf.floordiv(x, y)z = x % y # z = tf.mod(x, y)z = x ** y # z = tf.pow(x, y)z = x @ y # z = tf.matmul(x, y)z = x > y # z = tf.greater(x, y)z = x >= y # z = tf.greater_equal(x, y)z = x < y # z = tf.less(x, y)z = x <= y # z = tf.less_equal(x, y)z = abs(x) # z = tf.abs(x)z = x & y # z = tf.logical_and(x, y)z = x | y # z = tf.logical_or(x, y)z = x ^ y # z = tf.logical_xor(x, y)z = ~x # z = tf.logical_not(x)

你也可以使用这些操作符的增强版，如 x += y和x **=2同样是合法的。 请注意python不允许重载and,or和not等关键字。 TensorFlow也不允许把张量当成boolean类型使用，因为这个很容易出错：

x = tf.constant(1.)if x: # This will raise a TypeError error ...

如果你想检查这个张量的值，你也可以使用tf.cond(x,...)，或者使用if x is None去检查这个变量的值。 有些操作是不支持的，比如说等于判断==和不等于判断!=运算符，这些在numpy中得到了重载，但在TensorFlow中没有重载。如果需要使用，请使用这些功能的函数版本tf.equal()和tf.not_equal()