tensorflow的知识点一

1、tf.truncated_normal与tf.random_normal

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
 
 
1

从截断的正态分布中输出随机值。 
生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

在正态分布的曲线中，横轴区间（μ-σ，μ+σ）内的面积为68.268949%。 
横轴区间（μ-2σ，μ+2σ）内的面积为95.449974%。 
横轴区间（μ-3σ，μ+3σ）内的面积为99.730020%。 
X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。 
在tf.truncated_normal中如果x的取值在区间（μ-2σ，μ+2σ）之外则重新进行选择。这样保证了生成的值都在均值附近。

参数:

• shape: 一维的张量，也是输出的张量。
• mean: 正态分布的均值。
• stddev: 正态分布的标准差。
• dtype: 输出的类型。
• seed: 一个整数，当设置之后，每次生成的随机数都一样。
• name: 操作的名字。

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
 
 
1

从正态分布中输出随机值。 
参数:

• shape: 一维的张量，也是输出的张量。
• mean: 正态分布的均值。
• stddev: 正态分布的标准差。
• dtype: 输出的类型。
• seed: 一个整数，当设置之后，每次生成的随机数都一样。
• name: 操作的名字。

代码

a = tf.Variable(tf.random_normal([2,2],seed=1))
b = tf.Variable(tf.truncated_normal([2,2],seed=2))
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(a))
    print(sess.run(b))

输出：
[[-0.81131822  1.48459876]
 [ 0.06532937 -2.44270396]]
[[-0.85811085 -0.19662298]
 [ 0.13895047 -1.22127688]]
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13

指定seed之后，a的值不变，b的值也不变，值得是重复生成随机数时其随机数没有改变。

2、placeholder函数

tensorflow中又一保存数据的利器，placeholder（type,strucuct…)它的第一个参数是你要保存的数据的数据类型，大多数是tensorflow中的float32数据类型，后面的参数就是要保存数据的结构，比如要保存一个1×2的矩阵，则struct=[1 2]。它在使用的时候和前面的variable不同的是在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”，具体使用如下：

# -*- coding: utf-8 -*-
"""
Created on Mon Apr  3 11:20:22 2017

@author: zhangshaoxing
"""
import tensorflow as tf
a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
c=tf.add(a,b)

with tf.Session() as sess:
    print(sess.run(c,feed_dict={a:10,b:30}))  #把10赋给a，30赋给b

 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
 

  
  
 
 

运行结果：

40.0

3、tf.nn.softmax_cross_entropy_with_logits的用法

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？

首先明确一点，loss是代价值，也就是我们要最小化的值

tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)

除去name参数用以指定该操作的name，与方法有关的一共两个参数 ：

第一个参数logits：就是神经网络最后一层的输出，如果有batch的话，它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes

第二个参数labels：实际的标签，大小同上




具体的执行流程大概分为两步：

第一步是先对网络最后一层的输出做一个softmax，这一步通常是求取输出属于某一类的概率，对于单样本而言，输出就是一个num_classes大小的向量（[Y1，Y2,Y3...]其中Y1，Y2，Y3...分别代表了是属于该类的概率）

softmax的公式是：


至于为什么是用的这个公式？这里不介绍了，涉及到比较多的理论证明




第二步是softmax的输出向量[Y1，Y2,Y3...]和样本的实际标签做一个交叉熵，公式如下：




其中指代实际的标签中第i个的值（用mnist数据举例，如果是3，那么标签是[0，0，0，1，0，0，0，0，0，0]，除了第4个值为1，其他全为0）

就是softmax的输出向量[Y1，Y2,Y3...]中，第i个元素的值

显而易见，预测越准确，结果的值越小（别忘了前面还有负号），最后求一个平均，得到我们想要的loss

注意！！！这个函数的返回值并不是一个数，而是一个向量，如果要求交叉熵，我们要再做一步tf.reduce_sum操作,就是对向量里面所有元素求和，最后才得到，如果求loss，则要做一步tf.reduce_mean操作，对向量求均值！





理论讲完了，上代码

[python]  view plain  copy

1. import tensorflow as tf  
2.   
3. #our NN's output  
4. logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  
5. #step1:do softmax  
6. y=tf.nn.softmax(logits)  
7. #true label  
8. y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])  
9. #step2:do cross_entropy  
10. cross_entropy = -tf.reduce_sum(y_*tf.log(y))  
11. #do cross_entropy just one step  
12. cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))#dont forget tf.reduce_sum()!!  
13.   
14. with tf.Session() as sess:  
15.     softmax=sess.run(y)  
16.     c_e = sess.run(cross_entropy)  
17.     c_e2 = sess.run(cross_entropy2)  
18.     print("step1:softmax result=")  
19.     print(softmax)  
20.     print("step2:cross_entropy result=")  
21.     print(c_e)  
22.     print("Function(softmax_cross_entropy_with_logits) result=")  
23.     print(c_e2)  

输出结果是：

[python]  view plain  copy

1. step1:softmax result=  
2. [[ 0.09003057  0.24472848  0.66524094]  
3.  [ 0.09003057  0.24472848  0.66524094]  
4.  [ 0.09003057  0.24472848  0.66524094]]  
5. step2:cross_entropy result=  
6. 1.22282  
7. Function(softmax_cross_entropy_with_logits) result=  
8. 1.2228  

最后大家可以试试e^1/(e^1+e^2+e^3)是不是0.09003057，发现确实一样！！这也证明了 我们的输出是符合公式逻辑的

4、tf.argmax函数

   

tf.argmax(input, axis=None, name=None, dimension=None)

此函数是对矩阵按行或列计算最大值

参数

• input：输入Tensor
• axis：0表示按列，1表示按行
• name：名称
• dimension：和axis功能一样，默认axis取值优先。新加的字段

返回：Tensor  一般是行或列的最大值下标向量

例：

[java] view plain  copy

 print ?

1. import tensorflow as tf  
2.   
3.   
4. a=tf.get_variable(name='a',  
5.                   shape=[3,4],  
6.                   dtype=tf.float32,  
7.                   initializer=tf.random_uniform_initializer(minval=-1,maxval=1))  
8. b=tf.argmax(input=a,axis=0)  
9. c=tf.argmax(input=a,dimension=1)   #此处用dimesion或用axis是一样的  
10. sess = tf.InteractiveSession()  
11. sess.run(tf.initialize_all_variables())  
12. print(sess.run(a))  
13. #[[ 0.04261756 -0.34297419 -0.87816691 -0.15430689]  
14. # [ 0.18663144  0.86972666 -0.06103253  0.38307118]  
15. # [ 0.84588599 -0.45432305 -0.39736366  0.38526249]]  
16. print(sess.run(b))  
17. #[2 1 1 2]  
18. print(sess.run(c))  
19. #[0 1 0]  

4、range()函数的用法

详细记录python的range()函数用法

使用python的人都知道range()函数很方便，今天再用到他的时候发现了很多以前看到过但是忘记的细节。这里记录一下range(),复习下list的slide，最后分析一个好玩儿的冒泡程序。

这里记录一下：

>>> range ( 1 , 5 ) #代表从1到5(不包含5) [ 1 , 2 , 3 , 4 ] >>> range ( 1 , 5 , 2 ) #代表从1到5，间隔2(不包含5) [ 1 , 3 ] >>> range ( 5 ) #代表从0到5(不包含5) [ 0 , 1 , 2 , 3 , 4 ]

4、tf.constant创建常量tensor

tf.constant(value,dtype=None,shape=None,name=’Const’) 
创建一个常量tensor，按照给出value来赋值，可以用shape来指定其形状。value可以是一个数，也可以是一个list。 
如果是一个数，那么这个常亮中所有值的按该数来赋值。 
如果是list,那么len(value)一定要小于等于shape展开后的长度。赋值时，先将value中的值逐个存入。不够的部分，则全部存入value的最后一个值。

a = tf.constant(2,shape=[2])
b = tf.constant(2,shape=[2,2]) c = tf.constant([1,2,3],shape=[6]) d = tf.constant([1,2,3],shape=[3,2]) sess = tf.InteractiveSession() print(sess.run(a)) #[2 2] print(sess.run(b)) #[[2 2] # [2 2]] print(sess.run(c)) #[1 2 3 3 3 3] print(sess.run(d)) #[[1 2] # [3 3] # [3 3]]