tensorflow 一些常用函数

1. 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.

test = np.array([
 [1, 2, 3],
 [2, 3, 4], 
 [5, 4, 3], 
 [8, 7, 2]])
tf.argmax(test, 0)　　　＃输出：[3, 3, 1]
tf.argmax(test, 1)　　　＃输出：[2, 2, 0, 0]
*axis=0表示的是“按行”，其实就是对每一列的操作，同理，axis=1按列操作，
也即对每一行。可以类比图像的像素矩阵h*w，第一个坐标轴h的方向是向下的，
第二个坐标轴w的方向是向右的。*

2. tf.reduce_sum( )
reduce_sum( ) 是求和函数，在 tensorflow 里面，计算的都是 tensor，可以通过调整 axis =0,1 的维度来控制求和维度。

test = tf.constant([
                    [1,1,1],
                    [1,1,1]])
tf.reduce_sum(test, 0)        ＃输出：[2, 2, 2]
tf.reduce_sum(test, 1)        ＃输出：[3, 3]
tf.reduce_sum(test, [0,1])    ＃输出：[6]

3. tf.equal(）
判断x, y 是不是相等，它的判断方法不是整体判断，而是逐个元素进行判断，如果相等就是True，不相等，就是False。由于是逐个元素判断，所以x，y 的维度要一致。

a = [[1,2,3],[4,5,6]]
b = [[1,0,3],[1,5,1]]
with tf.Session() as sess:   
    print(sess.run(tf.equal(a,b)))
   
输出：[[ True False  True] [False  True False]]

4.tf.cast()
数据类型转换
tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换，比如读入的图片如果是int8类型的，一般在要在训练前把图像的数据格式转换为float32（tf默认数据类型）。

cast(x, dtype, name=None)

第一个参数 x: 待转换的数据（张量）
第二个参数 dtype： 目标数据类型
第三个参数 name： 可选参数，定义操作的名称

5.tf.random_normal()
从“服从指定正态分布的序列”中随机取出指定个数的值。

tf.random_normal(shape, mean=0.0, stddev=1.0, 
                 dtype=tf.float32, seed=None, name=None)

 shape: 输出张量的形状，必选
 mean: 正态分布的均值，默认为0
 stddev: 正态分布的标准差，默认为1.0
 dtype: 输出的类型，默认为tf.float32
 seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
 name: 操作的名称

w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))

with tf.Session() as sess:    
    sess.run(tf.global_variables_initializer())  
    print (sess.run(w1))

输出：
[[-0.81131822  1.48459876  0.06532937]
 [-2.4427042   0.0992484   0.59122431]]

6. tf.random_uniform()

tf.random_uniform((6, 6), minval=low,maxval=high,dtype=tf.float32)))

返回6*6的矩阵，产生于low和high之间，产生的值是均匀分布的。

import tensorflow as tf

with tf.Session() as sess:    
     print(sess.run(tf.random_uniform( (6,6), 
                             minval=-0.5,        
                             maxval=0.5, dtype=tf.float32)))
    

output：

[[ 0.47818196 -0.0463798  -0.48545432  0.48667777  0.1448754   0.31394303] 
 [ 0.07446766  0.37638378  0.3001852  -0.1716789   0.03881919  0.14070213] 
 [ 0.14747012 -0.14895666 -0.35274172 -0.19400203 -0.26068127  0.10212302] 
 [ 0.29586768  0.16780066 -0.34365273 -0.3228333   0.42329776  0.35237122] [-0.34602797 -0.46733367  0.46615827 -0.20312655 -0.37987483  0.41316974] 
 [ 0.39296162  0.32745218 -0.32554448 -0.14309132 -0.16133463  0.40627968]]

7. tf.nn.bias_add()以及tf.add()和tf.add_n()

tf.nn.bias_add(value,bias,data_format=None,name=None)

将bias添加到value.
这是tf.add的一种特殊情况,其中bias被限制为一维.支持广播机制numpy广播机制,因此value可以有任意数量的维度.
与tf.add不同的是,在两种类型都是量化的情况下,bias类型允许与value不同.
通俗解释：
一个叫bias的向量加到一个叫value的矩阵上，是向量与矩阵的每一行进行相加，得到的结果和value矩阵大小相同。

tf.add( x,y, name=None)：

通俗解释：
这个情况比较多，最常见的是，一个叫x的矩阵和一个叫y的数相加，就是y分别与x的每个数相加，得到的结果和x大小相同。

import tensorflow as tf
 
a=tf.constant([[1,1],[2,2],[3,3]],dtype=tf.float32)
b=tf.constant([1,-1],dtype=tf.float32)
c=tf.constant([1],dtype=tf.float32)
 
with tf.Session() as sess:
    print('bias_add:')
    print(sess.run(tf.nn.bias_add(a, b)))
    #执行下面语句错误
    #print(sess.run(tf.nn.bias_add(a, c)))
 
    print('add:')
    print(sess.run(tf.add(a, c)))

output：

bias_add:
[[ 2. 0.]
[ 3. 1.]
[ 4. 2.]]
add:
[[ 2. 2.]
[ 3. 3.]
[ 4. 4.]]

tf.add_n(inputs,name=None)

通俗解释：
函数是实现一个列表的元素的相加。就是输入的对象是一个列表，列表里的元素可以是向量，矩阵等但没有广播功能

import tensorflow as tf
import numpy as np       

input1 = tf.constant([1.0, 2.0, 3.0])    
input2 = tf.Variable(tf.random_uniform([3]))    
output = tf.add_n([input1, input2]) #注意输入是一个列表       

with tf.Session() as sess:        
    sess.run(tf.initialize_all_variables())        
    print (sess.run(input1 + input2))        
    print (sess.run(output))  

output：

[1.4135424 2.694611  3.2243743]
[1.4135424 2.694611  3.2243743]

8.tf.transpose(a, perm = None, name = ‘transpose’)

将a进行转置，并且根据perm参数重新排列输出维度。这是对数据的维度的进行操作的形式。

图像处理时数据集中存储数据的形式为[channel,image_height,image_width],在tensorflow中使用CNN时我们需要将其转化为[image_height,image_width,channel]的形式，只需要使用tf.transpose(input_data,[1,2,0])

输出数据tensor的第i维将根据perm[i]指定。比如，如果perm没有给定，那么默认是perm = [n-1, n-2, …, 0]，其中rank(a) = n。

默认情况下，对于二维输入数据，其实就是常规的矩阵转置操作。

Example
input_data.dims = (1, 4, 3)

perm = [1, 2, 0]
#因为 output_data.dims[0] = input_data.dims[ perm[0] ]
#因为 output_data.dims[1] = input_data.dims[ perm[1] ]
#因为 output_data.dims[2] = input_data.dims[ perm[2] ]

#所以得到 output_data.dims = (4, 3, 1)

output_data.dims = (4, 3, 1)