os.listdir() 、tf.nn.top_k()、tf.nn.in_top_k()、tf.argmax()、tf.equal()、tf.reduce_mean()函数学习

1.os.listdir() 

用于返回指定的文件夹包含的文件或文件夹的名字的列表， 它不包括 '.' 和'..' 即使它在文件夹中。

import os

# 打开文件
path = "C:/Users/ch/Desktop/my/log/"
dirs = os.listdir(path)
# 输出所有文件和文件夹
for file in dirs:
    print(file)

结果：

model.ckpt-0.data-00000-of-00001
model.ckpt-0.index
model.ckpt-0.meta
model.ckpt-200.data-00000-of-00001
model.ckpt-200.index
model.ckpt-200.meta
model.ckpt-400.data-00000-of-00001
model.ckpt-400.index
model.ckpt-400.meta
model.ckpt-600.data-00000-of-00001
model.ckpt-600.index
model.ckpt-600.meta
model.ckpt-800.data-00000-of-00001
model.ckpt-800.index
model.ckpt-800.meta
model.ckpt-999.data-00000-of-00001
model.ckpt-999.index
model.ckpt-999.meta

进程已结束,退出代码0

2.tf.nn.top_k(input, k, name=None)

这个函数的作用是返回 input 中每行最大的 k 个数，并且返回它们所在位置的索引。

#例1
import tensorflow as tf
import numpy as np

input = tf.constant(np.random.rand(3, 4))
k = 2
output = tf.nn.top_k(input, k)
with tf.Session() as sess:
    print(sess.run(input))
    print(sess.run(output))

结果：

[[0.11749906 0.71289315 0.47632536 0.90901044]
 [0.14741858 0.00648505 0.10690213 0.50449713]
 [0.419041   0.27644893 0.6627564  0.56422511]]
TopKV2(values=array([[0.90901044, 0.71289315],
       [0.50449713, 0.14741858],
       [0.6627564 , 0.56422511]]), indices=array([[3, 1],
       [3, 0],
       [2, 3]]))

进程已结束,退出代码0

3.tf.nn.in_top_k(predictions, targets, k, name=None)

这个函数的作用是返回一个布尔向量，说明目标值是否存在于预测值之中。

注意：targets 是predictions中的索引位，并不是 predictions 中具体的值。

#例2
import tensorflow as tf
import numpy as np

input = tf.constant(np.random.rand(3, 4), tf.float32)
k = 1  # targets对应的索引是否在最大的前k(2)个数据中
output = tf.nn.in_top_k(input, [3, 3, 3], 1)
with tf.Session() as sess:
    print(sess.run(input))
    print(sess.run(output))

结果：

对于这几个函数的解释，要感谢https://blog.csdn.net/wuguangbin1230/article/details/728206

4.tf.argmax()

tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引。

axis = 0:
　　axis=0时比较每一列的元素，将每一列最大元素所在的索引记录下来，最后输出每一列最大元素所在的索引数组。

import numpy as np

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print(np.argmax(test, 0))#每列最大值的索引

axis = 1:
　　axis=1的时候，将每一行最大元素所在的索引记录下来，最后返回每一行最大元素所在的索引数组。

5.tf.equal()

import tensorflow as tf

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

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

结果：[[ True  True  True False False]]

6.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;

结果：2.0 [1. 2. 3.] [2. 2.]