TensorFlow---Math
- 数学(Math)
-
- 算术运算符(Arithmetic Operators)
- 基本数学函数(Basic Math Functions)
-
- tf.add_n(inputs,name=None)
- tf.abs(x,name=None)
- tf.nsg(x,name=None)
- tf.sign(x,name=None)
- tf.inv(x,name=None)
- tf.square(x,name=None)
- tf.round(x,name=None)
- tf.sqrt(x,name=None)
- tf.rsqrt(x,name=None)
- tf.pow(x,y,name=None)
- tf.exp(x,name=None)
- tf.log(x,name=None)
- tf.ceil(x,name=None)
- tf.floor(x,name=None)
- tf.maximum(x,y,name=None)
- tf.minimum(x,y,name=None)
- tf.cos(x,name=None)
- tf.sin(x,name=None)
- 矩阵数学函数(Matrix Math Functions)
-
- tf.diag(diagonal, name=None)
- tf,transpose(a, perm=None,name='transpose')
- tf.matmul(a, b, transpose_a=False, transpose_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
- tf.batch_matmul(x, y, adj_x=None, adj_y=None, name=None)
- tf.matrix_determinant(input, name=None)
- tf.batch_matrix_determinant(input, name=None)
- tf.batch_matrix_inverse(input, name=None)
- tf.cholesky(input, name=None)
- tf.batch_cholesky(input, name=None)
- 复数函数(Complex Number Functions)
- 降维 (reduce)
-
- tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.reduce_prod(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.reduce_min(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.reduce_all(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.reduce_any(input_tensor, reduction_indices=None, keep_dims=False, name=None)
- tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None)
- 分割(Segmentation)
-
- tf.segment_sum(data, segment_ids, name=None)
- tf.segment_prod(data, segment_ids, name=None)
- tf.segment_min(data, segment_ids, name=None)
- tf.segment_max(data, segment_ids, name=None)
- tf.segment_mean(data, segment_ids, name=None)
- tf.unsorted_segment_sum(data, segment_ids, num_segments, name=None)
- tf.sparse_segment_sum(data, indices, segment_ids, name=None)
- tf.sparse_segment_mean(data, indices, segment_ids, name=None)
- 序列比较和索引(Sequence Comparison and Indexing)
数学(Math)
下面介绍TensorFlow中可以使用的数学函数
算术运算符(Arithmetic Operators)
-
tf.add(x, y, name=None)
求和
-
tf.sub(x,y,name=None)
减法
-
tf.mul(x,y,name=None)
乘法
-
tf.div(x,y,name=None)
商
-
tf.mod(x,y,name=None)
求模
基本数学函数(Basic Math Functions)
-
tf.add_n(inputs,name=None)
添加输入张量元素
-
tf.abs(x,name=None)
计算张量的绝对值
-
tf.nsg(x,name=None)
计算张量数值负值
-
tf.sign(x,name=None)
计算张量的符号 <0 -1 =0 0 >0 1
-
tf.inv(x,name=None)
计算张量的倒数 1/x
-
tf.square(x,name=None)
计算张量的平方 x * x
-
tf.round(x,name=None)
计算最接近的整数
-
tf.sqrt(x,name=None)
计算张量的平方根
-
tf.rsqrt(x,name=None)
计算张量的平方根的倒数
-
tf.pow(x,y,name=None)
计算一个张量与另一个张量的幂值
-
tf.exp(x,name=None)
计算以e为底,x的指数
-
tf.log(x,name=None)
计算张量x的自然log
-
tf.ceil(x,name=None)
计算不小于x方向的最小整数
-
tf.floor(x,name=None)
计算不大于x方向的最大整数
-
tf.maximum(x,y,name=None)
计算x与y的最大值 x > y ? x : y
-
tf.minimum(x,y,name=None)
计算x与y 的最小值 x < y ? x : y
-
tf.cos(x,name=None)
计算x张量的cos值
-
tf.sin(x,name=None)
计算x张量的sin值
矩阵数学函数(Matrix Math Functions)
-
tf.diag(diagonal, name=None)
返回具有给定对角线值的对角张量
-
tf,transpose(a, perm=None,name=‘transpose’)
转置a。根据尺寸置换尺寸perm
-
tf.matmul(a, b, transpose_a=False, transpose_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
矩阵a乘以矩阵b,产生a* b
-
tf.batch_matmul(x, y, adj_x=None, adj_y=None, name=None)
将批量的两个张量相互叠加。
-
tf.matrix_determinant(input, name=None)
计算方阵的行列式
-
tf.batch_matrix_determinant(input, name=None)
计算一批方阵的行列式 输入是一个形状[..., M, M]的张量,其最内部的2个维度形成方形矩阵。 输出是包含所有输入子矩阵的行列式的1-D张量[..., :, :]
-
tf.matrix_inverse(input, name=None)
计算平方可逆矩阵的倒数。检查可逆性
-
tf.batch_matrix_inverse(input, name=None)
计算平方可逆矩阵的逆。检查可逆性 输入是一个形状[..., M, M]的张量,其最内部的2个维度形成方形矩阵。 输出是与包含所有输入子矩阵的逆的输入相同形状的张量[..., :, :]
-
tf.cholesky(input, name=None)
计算方阵的Cholesky分解 输入必须是对称的和肯定的。只有输入的下三角部分才会用于此操作。不会读取上三角形部分 结果是输入的Cholesky分解的下三角矩阵
-
tf.batch_cholesky(input, name=None)
计算一批方阵的Cholesky分解 输入是一个形状[..., M, M]的张量,其最内部的2个维度形成方形矩阵,具有与上面的单个矩阵Cholesky分解相同的约束。 输出是与包含所有输入子矩阵的Cholesky分解的输入相同形状的张量[..., :, :]
复数函数(Complex Number Functions)
TensorFlow提供了几个操作,您可以使用这些操作将复数函数添加到图形中
-
tf.complex(real, imag, name=None)
将两个实数转换为复数 给定real表示复数的实部的张量和imag表示复数的虚部的张量, 该运算计算形式的元素的复数,其中a表示real部分,b表示imag部分。 输入张量real和imag必须是相同的形状
-
tf.complex_abs(x, name=None)
计算张量的复数绝对值 给定一个x复数的张量,此操作返回一个张量类型 float,它是每个元素的绝对值x。所有元素x 必须是表单的复数。 绝对值计算为 $\sqrt{a^2 + b^2}$
-
tf.conj(in_, name=None)
返回复数的复共轭 给定一个in复数的张量,这个操作返回一个复数的张量, 它是每个元素的复共轭in。复数in必须是形式a+bj,其中a是实部,b是虚部。 通过该操作返回的复共轭是这种形式
-
tf.imag(in_, name=None)
返回复数的虚部
-
tf.real(in_, name=None)
返回复数的实部
降维 (reduce)
TensorFlow提供了几个操作,您可以使用这些操作执行常见的数学计算,从而减少张量的各个维度
-
tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None)
计算张量维度的元素总和 input_tensor沿着给定的尺寸减小reduction_indices。 除非keep_dims是真的,否则每个条目的张量等级减少1 reduction_indices。 如果keep_dims为true,则保留缩小的尺寸,长度为1。 如果reduction_indices没有条目,则减少所有维度,并返回具有单个元素的张量
# 'x' is [[1, 1, 1]]
# [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
tf.reduce_sum(x, [0, 1]) ==> 6
-
tf.reduce_prod(input_tensor, reduction_indices=None, keep_dims=False, name=None)
计算跨张量尺寸的元素乘积 input_tensor沿着给定的尺寸减小reduction_indices。 除非keep_dims是真的,否则每个条目的张量等级减少1 reduction_indices。 如果keep_dims为true,则保留缩小的尺寸,长度为1 如果reduction_indices没有条目,则减少所有维度,并返回具有单个元素的张量
-
tf.reduce_min(input_tensor, reduction_indices=None, keep_dims=False, name=None)
计算张量维度的元素的最小值 input_tensor沿着给定的尺寸减小reduction_indices。 除非keep_dims是真的,否则每个条目的张量等级减少1 reduction_indices。 如果keep_dims为true,则保留缩小的尺寸,长度为1 如果reduction_indices没有条目,则减少所有维度,并返回具有单个元素的张量
-
tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
计算张量维度的元素最大值 input_tensor沿着给定的尺寸减小reduction_indices。 除非keep_dims是真的,否则每个条目的张量等级减少1 reduction_indices。 如果keep_dims为true,则保留缩小的尺寸,长度为1 如果reduction_indices没有条目,则减少所有维度,并返回具有单个元素的张量