tf基础函数

最新推荐文章于 2022-12-01 16:41:05 发布

wzcyy2121

最新推荐文章于 2022-12-01 16:41:05 发布

阅读量342

点赞数

1、tensorflow中有一类在tensor的某一维度上求值的函数。如：

求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)

求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

参数1--input_tensor:待求值的tensor。

参数2--reduction_indices:在哪一维上求解。

参数（3）（4）可忽略

举例说明：

# 'x' is [[1., 2.]

# [3., 4.]]

x是一个2维数组，分别调用reduce_*函数如下：

首先求平均值：tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数，那么就在所有的元素中取平均值

tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参数为0，则第一维的元素取平均值，即每一列求平均值

tf.reduce_mean(x, 1) ==> [1.5, 3.5] #指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值

0，求行，1，求列

同理，还可用tf.reduce_max()求最大值等。

2、tf.cast：用于改变某个张量的数据类型，如将float32->float64

3、产生随机数：random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)

    shape：一个一维整数张量或Python数组。代表张量的形状。
    mean：数据类型为dtype的张量值或Python值。是正态分布的均值。
    stddev：数据类型为dtype的张量值或Python值。是正态分布的标准差
    dtype：输出的数据类型。
    seed：一个Python整数。是随机种子。

name：操作的名称(可选)

4、numpy.random.uniform(low,high,size)
功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.
参数介绍:
    low: 采样下界，float类型，默认值为0；
    high: 采样上界，float类型，默认值为1；
    size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m*n*k个样本，缺省时输出1个值。

返回值：ndarray类型，其形状和参数size中描述一致。

类似uniform,还有以下随机数产生函数：
    a. randint: 原型：numpy.random.randint(low, high=None, size=None, dtype='l')，产生随机整数；
    b. random_integers: 原型： numpy.random.random_integers(low, high=None, size=None)，在闭区间上产生随机整数；
    c. random_sample: 原型： numpy.random.random_sample(size=None)，在[0.0,1.0)上随机采样；
    d. random: 原型： numpy.random.random(size=None)，和random_sample一样，是random_sample的别名；
    e. rand: 原型： numpy.random.rand(d0, d1, ..., dn)，产生d0 - d1 - ... - dn形状的在[0,1)上均匀分布的float型数。
    f. randn: 原型：numpy.random.randn（d0,d1,...,dn),产生d0 - d1 - ... - dn形状的标准正态分布的float型数。
5、tf.ones_like | tf.zeros_like