Tensorflow API（二）
2024-04-27 13:57:11
tensorflow的数学计算
热身
math
（1）刚开始先给一个运行实例。
tf是基于图（Graph）的计算系统。而图的节点则是由操作（Operation）来构成的，而图的各个节点之间则是由张量（Tensor）作为边来连接在一起的。所以Tensorflow的计算过程就是一个Tensor流图。Tensorflow的图则是必须在一个Session中来计算。
import tensorflow as tf
import numpy as np
#定义占位符，此处是一个二维的tensor；这个在之后构建神经时候，对于model输入数据是要用到的。
X = tf.placeholder(tf.float32, [None, 1])
# 构建图。
out = tf.abs(X)
# 在session中启动图。
sess = tf.Session()
# 给定输入数据，直接给定数组。
# b = np.array([-23.51])
# 给定的b是一维数组，注意下面要加[]
# b_abs = sess.run(out, feed_dict={X: [b]})
# 给定的输入是一个列表。
a = []
a.append(12.3)
a.append(-34.4)
b = np.array(a)
b = b.reshape([-1,1])
b_abs = sess.run(out, feed_dict={X:b})
print (b_abs)
sess.close()
注意多个Graph的使用：
import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():c1 = tf.constant([1.0])
with tf.Graph().as_default() as g2:c2 = tf.constant([2.0])with tf.Session(graph=g1) as sess1:print (sess1.run(c1))
with tf.Session(graph=g2) as sess2:print (sess2.run(c2))# result:
# [ 1.0 ]
# [ 2.0 ]
（2）tf.a…API：
tensor可以是一维、二维、…可以到多维
Arithmetic Operators
1.1 tf.add(x,y,name=None)
- 功能：对应位置元素的加法运算。
- 输入：x,y具有相同尺寸的tensor，可以为
half,float32,float64,uint8,int8,int16,int32,int64,complex64,complex128, `string‘类型。
例：
x=tf.constant(1.0)
y=tf.constant(2.0)
z=tf.add(x,y)
z==>(3.0)
1.2 tf.subtract(x,y,name=None)
- 功能：对应位置元素的减法运算。
- 输入：x,y具有相同尺寸的tensor，可以为
half,float32,float64,int32,int64,complex64,complex128, `string‘类型。
例：
x=tf.constant([[1.0,-1.0]],tf.float64)
y=tf.constant([[2.2,2.3]],tf.float64)
z=tf.subtract(x,y)
z==>[[-1.2,-3.3]]
1.3 tf.multiply(x,y,name=None)
- 功能：对应位置元素的乘法运算。
- 输入：x,y具有相同尺寸的tensor，可以为
half,float32,float64,uint8,int8,uint16,int16,int32,int64,complex64,complex128, `string‘类型。
例：
x=tf.constant([[1.0,-1.0]],tf.float64)
y=tf.constant([[2.2,2.3]],tf.float64)
z=tf.multiply(x,y)
z==>[[2.2,-2.3]]
1.4 tf.scalar_mul(scalar,x)
- 功能：固定倍率缩放。
- 输入：scalar必须为0维元素，x为tensor。
例：
scalar=2.2
x=tf.constant([[1.2,-1.0]],tf.float64)
z=tf.scalar_mul(scalar,x)
z==>[[2.64,-2.2]]
1.5 tf.div(x,y,name=None)[推荐使用tf.divide(x,y)]
- 功能：对应位置元素的除法运算（使用python2.7除法算法，如果x,y有一个为浮点数，结果为浮点数;否则为整数，但使用该函数会报错）。
- 输入：x,y具有相同尺寸的tensor，x为被除数，y为除数。
例：
x=tf.constant([[1,4,8]],tf.int32)
y=tf.constant([[2,3,3]],tf.int32)
z=tf.div(x,y)
z==>[[0,1,2]]
x=tf.constant([[1,4,8]],tf.int64)
y=tf.constant([[2,3,3]],tf.int64)
z=tf.divide(x,y)
z==>[[0.5,1.33333333,2.66666667]]
x=tf.constant([[1,4,8]],tf.float64)
y=tf.constant([[2,3,3]],tf.float64)
z=tf.div(x,y)
z==>[[0.5,1.33333333,2.66666667]]
1.6 tf.truediv(x,y,name=None)
- 功能：对应位置元素的除法运算。（使用python3除法算法，又叫真除，结果为浮点数，推荐使用tf.divide）
- 输入：x,y具有相同尺寸的tensor，x为被除数，y为除数。
1.7 tf.floordiv(x,y,name=None)
- 功能：对应位置元素的地板除法运算。返回不大于结果的最大整数(向下取整)
- 输入：x,y具有相同尺寸的tensor，x为被除数，y为除数。
例：
x=tf.constant([[2,4,-1]],tf.int64) #float类型运行结果一致，只是类型为浮点型
y=tf.constant([[3,3,3]],tf.int64)
z=tf.floordiv(x,y)
z==>[[0,1,-1]]
1.8 tf.realdiv(x,y,name=None)
- 功能：对应位置元素的实数除法运算。实际情况不非官方描述，与divide结果没区别，
- 输入：x,y具有相同尺寸的tensor，可以为
half,float32,float64,uint8,int8,int16,int32,int64,complex64,complex128, `string‘类型。
例：
x=tf.constant([[2+1j,4+2j,-1+3j]],tf.complex64)
y=tf.constant([[3+3j,3+1j,3+2j]],tf.complex64)
z=tf.realdiv(x,y)
z==>[[0.50000000-0.16666667j 1.39999998+0.2j 0.23076922+0.84615386j]]
1.9 tf.truncatediv(x,y,name=None)
- 功能：对应位置元素的截断除法运算，获取整数部分。（和手册功能描述不符，符号位并不能转为0）
- 输入：x,y具有相同尺寸的tensor，可以为
uint8,int8,int16,int32,int64,类型。(只能为整型，浮点型等并未注册，和手册不符)
例：
x=tf.constant([[2,4,-7]],tf.int64)
y=tf.constant([[3,3,3]],tf.int64)
z=tf.truncatediv(x,y)
z==>[[0 1 -2]]
1.10 tf.floor_div(x,y,name=None)
- 功能：对应位置元素的地板除法运算。（和tf.floordiv运行结果一致，只是内部实现方式不一样）
- 输入：x,y具有相同尺寸的tensor，可以为
half,float32,float64,uint8,int8,
int16,int32,int64,complex64,complex128, `string‘类型。
1.11 tf.truncatemod(x,y,name=None)
- 功能：对应位置元素的截断除法取余运算。
- 输入：x,y具有相同尺寸的tensor，可以为float32
,float64,int32,int64`类型。
例：
x=tf.constant([[2.1,4.1,-1.1]],tf.float64)
y=tf.constant([[3,3,3]],tf.float64)
z=tf.truncatemod(x,y)
z==>[[2.1 1.1 -1.1]]
1.12 tf.floormod(x,y,name=None)
- 功能：对应位置元素的地板除法取余运算。
- 输入：x,y具有相同尺寸的tensor，可以为float32
,float64,int32,int64`类型。
例：
x=tf.constant([[2.1,4.1,-1.1]],tf.float64)
y=tf.constant([[3,3,3]],tf.float64)
z=tf.truncatemod(x,y)
z==>[[2.1 1.1 1.9]]
1.13 tf.mod(x,y,name=None)
- 功能：对应位置元素的除法取余运算。若x和y只有一个小于0，则计算‘floor（x/y）*y+mod(x,y)’。
- 输入：x,y具有相同尺寸的tensor，可以为
float32,float64,int32,int64类型。
例：
x=tf.constant([[2.1,4.1,-1.1]],tf.float64)
y=tf.constant([[3,3,3]],tf.float64)
z=tf.mod(x,y)
z==>[[2.1 1.1 1.9]]
1.14 tf.cross(x,y,name=None)
- 功能：计算叉乘。最大维度为3。
- 输入：x,y具有相同尺寸的tensor，包含3个元素的向量
例：
x=tf.constant([[1,2,-3]],tf.float64)
y=tf.constant([[2,3,4]],tf.float64)
z=tf.cross(x,y)
z==>[[17. -10. -1]]#2×4-（-3）×3=17，-（1×4-（-3）×2）=-10，1×3-2×2=-1。
Basic Math Functions
1.15 tf.add_n(inputs,name=None)
- 功能：将所有输入的tensor进行对应位置的加法运算
- 输入：inputs：一组tensor，必须是相同类型和维度。
例：
x=tf.constant([[1,2,-3]],tf.float64)
y=tf.constant([[2,3,4]],tf.float64)
z=tf.constant([[1,4,3]],tf.float64)
xyz=[x,y,z]
z=tf.add_n(xyz)z==>[[4. 9. 4.]]
1.16 tf.abs(x,name=None)
- 功能：求x的绝对值。
- 输入：x为张量或稀疏张量，可以为
float32,float64,int32,int64类型。
例：
x=tf.constant([[1.1,2,-3]],tf.float64)
z=tf.abs(x)z==>[[1.1 2. 3.]]
1.17 tf.negative(x,name=None)
- 功能：求x的负数。
- 输入：x为张量或稀疏张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[1.1,2,-3]],tf.float64)
z=tf.negative(x)z==>[[-1.1. -2. 3.]]
1.18 tf.sign(x,name=None)
- 功能：求x的符号，x>0,则y=1;x<0则y=-1;x=0则y=0。
- 输入：x,为张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[1.1,0,-3]],tf.float64)
z=tf.sign(x)z==>[[1. 0. -1.]]
1.19 tf.reciprocal(x,name=None)
- 功能：求x的倒数。
- 输入：x为张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[2,0,-3]],tf.float64)
z=tf.reciprocal(x)z==>[[0.5 inf -0.33333333]]
1.20 tf.square(x,name=None)
- 功能：计算x各元素的平方。
- 输入：x为张量或稀疏张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[2,0,-3]],tf.float64)
z=tf.square(x)z==>[[4. 0. 9.]]
1.21 tf.round(x,name=None)
- 功能：计算x各元素的距离其最近的整数，若在中间，则取偶数值。
- 输入：x为张量，可以为
float32,float64类型。
例：
x=tf.constant([[0.9,1.1,1.5,-4.1,-4.5,-4.9]],tf.float64)
z=tf.round(x)z==>[[1. 1. 2. -4. -4. -5.]]
1.22 tf.sqrt(x,name=None)
- 功能：计算x各元素的平方。
输入：x为张量，可以为half,float32, float64,complex64,complex128类型。
例：
x=tf.constant([[2,3,-5]],tf.float64)
z=tf.sqrt(x)z==>[[1.41421356 1.73205081 nan]]
1.23 tf.rsqrt(x,name=None)
- 功能：计算x各元素的平方根的倒数。
- 输入：x为张量或稀疏张量，可以为
half,float32,
float64,complex64,complex128类型。
例：
x=tf.constant([[2,3,5]],tf.float64)
z=tf.rsqrt(x)z==>[[0.70710678 0.57735027 0.4472136]]
1.24 tf.pow(x,y,name=None)
- 功能：计算x各元素的y次方。
- 输入：x，y为张量，可以为
float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[2,3,5]],tf.float64)
y=tf.constant([[2,3,4]],tf.float64)
z=tf.pow(x,y)z==>[[4. 27. 625.]]
1.25 tf.exp(x,name=None)
- 功能：计算x各元素的自然指数，即e^x。
- 输入：x为张量，可以为
half,float32,float64,complex64,complex128类型。
例：
x=tf.constant([[0,1,-1]],tf.float64)
z=tf.exp(x)z==>[[1. 2.71828183 0.36787944]]
1.26 tf.expm1(x,name=None)
- 功能：计算x各元素的自然指数减1，即e^x-1。
- 输入：x为张量，可以为
half,float32,float64,complex64,complex128类型。
例：
x=tf.constant([[0,1,-1]],tf.float64)
z=tf.expm1(x)z==>[[0. 1.71828183 -0.63212056]]
1.27 tf.log(x,name=None)
- 功能：计算x各元素的自然对数。
- 输入：x为张量，可以为
half,float32,float64,complex64,complex128类型。
例：
x=tf.constant([[1,2.71828183,10]],tf.float64)
z=tf.log(x)z==>[[0. 1. 2.30258509]]
1.28 tf.log1p(x,name=None)
- 功能：计算x各元素加1后的自然对数。
- 输入：x为张量，可以为
half,float32,float64,complex64,complex128类型。
例：
x=tf.constant([[0,1.71828183,9]],tf.float64)
z=tf.log1p(x)z==>[[0. 1. 2.30258509]]
1.29 tf.ceil(x,name=None)
- 功能：计算x各元素比x大的最小整数。
- 输入：x为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[0.2，0.8，-0.7]],tf.float64)
z=tf.ceil(x)z==>[[1. 1. -0.]]
1.30 tf.floor(x,name=None)
- 功能：计算x各元素比其小的最大整数。
- 输入：x为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[0.2，0.8，-0.7]],tf.float64)
z=tf.floor(x)z==>[[0. 0. -1.]]
1.31 tf.maximum(x,y,name=None)
- 功能：计算x,y对应位置元素较大的值。
- 输入：x，y为张量，可以为
half,float32,float64,int32,int64类型。
例：
x=tf.constant([[0.2,0.8,-0.7]],tf.float64)
y=tf.constant([[0.2,0.5,-0.3]],tf.float64)
z=tf.maximum(x,y)z==>[[0.2 0.8 -0.3]]
1.32 tf.minimum(x,y,name=None)
- 功能：计算x,y对应位置元素较小的值。
- 输入：x，y为张量，可以为
half,float32,float64,int32,int64类型。
例：
x=tf.constant([[0.2,0.8,-0.7]],tf.float64)
y=tf.constant([[0.2,0.5,-0.3]],tf.float64)
z=tf.maximum(x,y)z==>[[0.2 0.5 -0.7]]
1.33 tf.cos(x,name=None)
- 功能：计算x的余弦值。
- 输入：x为张量，可以为
half,float32,float64,complex64,complex128类型。
例：
x=tf.constant([[0,3.1415926]],tf.float64)
z=tf.cos(x)z==>[[1. -1.]]
1.34 tf.sin(x,name=None)
- 功能：计算x的正弦值。
- 输入：x为张量，可以为
half,float32,float64,complex64,complex128类型。
例：
x=tf.constant([[0,1.5707963]],tf.float64)
z=tf.sin(x)z==>[[0. 1.]]
1.35 tf.lbeta(x,name=None)
- 功能：计算ln(∣Beta(x)∣)ln(|Beta(x)|)ln(∣Beta(x)∣),并以最末尺度进行归纳。
最末尺度z=[z0,...,zK−1]z = [z_0,...,z_{K-1}]z=[z0,...,zK−1]，则Beta(z)=∏jGamma(zj)/Gamma(∑jzj)Beta(z) = \prod_j Gamma(z_j) / Gamma(\sum_j z_j)Beta(z)=∏jGamma(zj)/Gamma(∑jzj) - 输入：x为秩为n+1的张量，可以为’float’,'double’类型。
例：
x=tf.constant([[4,3,3],[2,3,2]],tf.float64)
z=tf.lbeta(x)z==>[-9.62377365 -5.88610403]
#ln(gamma(4)*gamma(3)*gamma(3)/gamma(4+3+3))=ln(6*2*2/362880)=-9.62377365
#ln(gamma(2)*gamma(3)*gamma(2)/gamma(2+3+2))=ln(2/720)=-5.88610403
1.36 tf.tan(x,name=None)
- 功能：计算tan(x)。
- 输入：x为张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[0,0.785398163]],tf.float64)
z=tf.tan(x)z==>[[0. 1.]]
1.37 tf.acos(x,name=None)
- 功能：计算acos(x)。
- 输入：x为张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[0,1,-1]],tf.float64)
z=tf.acos(x)z==>[[1.57079633 0. 3.14159265]]
1.38 tf.asin(x,name=None)
- 功能：计算asin(x)。
- 输入：x为张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[0,1,-1]],tf.float64)
z=tf.asin(x)z==>[[0. 1.57079633 -1.57079633]]
1.39 tf.atan(x,name=None)
- 功能：计算atan(x)。
- 输入：x为张量，可以为
half,float32,float64,int32,
int64,complex64,complex128类型。
例：
x=tf.constant([[0,1,-1]],tf.float64)z=tf.atan(x)z==>[[0. 0.78539816 -0.78539816]]
1.40 tf.lgamma(x,name=None)
- 功能：计算ln(gamma(x))。
- 输入：x为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[1,2,3]],tf.float64)
z=tf.lgamma(x)z==>[[0. 0. 0.69314718]]
1.41 tf.digamma(x,name=None)
- 功能：计算lgammalgammalgamma的导数，即gamma′/gammagamma'/gammagamma′/gamma。
- 输入：x，y为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[1,2,3]],tf.float64)
z=tf.digamma(x)z==>[[-0.57721566 0.42278434 0.92278434]]
1.42 tf.erf(x,name=None)
- 功能：计算x的高斯误差。
- 输入：x为张量或稀疏张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[-1,0,1,2,3]],tf.float64)
z=tf.erf(x)z==>[[-0.84270079 0. 0.84270079 0.99532227 0.99997791]]
1.43 tf.erfc(x,name=None)
- 功能：计算x高斯互补误差。
- 输入：x为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[-1,0,1,2,3]],tf.float64)
z=tf.erfc(x)z==>[[1.84270079 1.00000000 0.15729920 4.67773498e-03 2.20904970e-05]]
1.44 tf.squared_difference(x,y,name=None)
- 功能：计算(x-y)(x-y)。
- 输入：x为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[-1,0,2]],tf.float64)
y=tf.constant([[2,3,4,]],tf.float64)
z=tf.squared_difference(x,y)z==>[[9. 9. 4.]]
1.45 tf.igamma(a,x,name=None)
- 功能：计算gamma(a,x)/gamma(a)gamma(a,x)/gamma(a)gamma(a,x)/gamma(a),gamma(a,x)gamma(a,x)gamma(a,x)=KaTeX parse error: Undefined control sequence: \intergral at position 1: \̲i̲n̲t̲e̲r̲g̲r̲a̲l̲_from_0_to_x t^…。
- 输入：x为张量，可以为
float32,float64类型。
例：
a=tf.constant(1,tf.float64)
x=tf.constant([[1,2,3,4]],tf.float64)
z=tf.igamma(a,x)z==>[[0.63212056 0.86466472 0.95021293 0.98168436]]
1.46 tf.igammac(a,x,name=None)
- 功能：计算gamma(a,x)/gamma(a),gamma(a,x)/gamma(a),gamma(a,x)/gamma(a),gamma(a,x)=,,,\intergral_from_x_to_inft(a−1)∗exp(−t)dtt^(a-1)*exp^(-t)dtt(a−1)∗exp(−t)dt
- 输入：x为张量，可以为
float32,float64类型。
例：
x=tf.constant([[-1,0,1,2,3]],tf.float64)
z=tf.erf(x)z==>[[-0.84270079 0. 0.84270079 0.99532227 0.99997791]]
1.47 tf.zeta(x,q,name=None)
- 功能：计算Hurwitz zeta函数。
- 输入：x为张量或稀疏张量，可以为
float32,float64类型。
例：
a=tf.constant(1,tf.float64)
x=tf.constant([[1,2,3,4]],tf.float64)
z=tf.zeta(x,a)z==>[[inf 1.64493407 1.2020569 1.08232323]]
1.48 tf.polygamma(a,x,name=None)
功能：计算psi(a)(x),psi(a)(x)=(da/dxa)∗psi(x)psi^{(a)}(x),psi^{(a)}(x) = ({d^a}/{dx^a})*psi(x)psi(a)(x),psi(a)(x)=(da/dxa)∗psi(x),psipsipsi即为polygammapolygammapolygamma。
输入：x为张量，可以为float32, float64类型。a=tf.constant(1,tf.float64)
例：
x=tf.constant([[1,2,3,4]],tf.float64)z=tf.polygamma(a,x) z==>[[1.64493407 0.64493407 0.39493407 0.28382296]]
1.49 tf.betainc(a,b,x,name=None)
功能：计算I_x(a, b)。Ix(a,b)=B(x;a,b)/B(a,b)I_x(a, b) = {B(x; a, b)}/{B(a, b)}Ix(a,b)=B(x;a,b)/B(a,b)。
$$B(x; a, b) = KaTeX parse error: Undefined control sequence: \intergral at position 1: \̲i̲n̲t̲e̲r̲g̲r̲a̲l̲_from_0_to_x t^…。
$ B(a, b) ={ \intergral_from_0_to_1 t^{a-1} (1 - t)^{b-1} dt}$。即完全beta函数。输入：x为张量，可以为
float32,float64类型。a,b与x同类型。
例：
a=tf.constant(1,tf.float64)b=tf.constant(1,tf.float64)x=tf.constant([[0,0.5,1]],tf.float64) z==>[[0. 0.5 1.]]
1.50 tf.rint(x,name=None)
- 功能：计算离x最近的整数，若为中间值，取偶数值。
- 输入：x为张量，可以为
half,float32,float64类型。
例：
x=tf.constant([[-1.7,-1.5,-1.1,0.1,0.5,0.4,1.5]],tf.float64)
z=tf.rint(x)z==>[[-2. -2. -1. 0. 0. 0. 2.]]
矩阵数学函数：
1.51 tf.diag(diagonal, name=None)
- 功能：返回对角阵。
- 输入：tensor，秩为k<=3。
例：
a=tf.constant([1,2,3,4])
z=tf.diag(a)z==>[[1 0 0 00 2 0 00 0 3 00 0 0 4]]
1.52 tf.diag_part(input,name=None)
- 功能：返回对角阵的对角元素。
- 输入：tensor,且维度必须一致。
例：
a=tf.constant([[1,5,0,0],[0,2,0,0],[0,0,3,0],[0,0,0,4]])
z=tf.diag_part(a)z==>[1,2,3,4]
1.53 tf.trace(x,name=None)
- 功能：返回矩阵的迹。
- 输入：tensor
例：
a=tf.constant([[[1,2,3],[4,5,6],[7,8,9]],[[10,11,12],[13,14,15],[16,17,18]]])
z=tf.trace(a)z==>[15 42]
1.54 tf.transpose(a,perm=None,name=‘transpose’)
- 功能：矩阵转置。
- 输入：tensor，perm代表转置后的维度排列，决定了转置方法，默认为[n-1,…,0]，n为a的维度。 例：
a=tf.constant([[1,2,3],[4,5,6]])
z=tf.transpose(a)#perm为[1,0]，即0维和1维互换。z==>[[1 4][2 5][3 6]]
1.55 tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)
- 功能：返回单位阵。
- 输入：num_rows:矩阵的行数;num_columns:矩阵的列数，默认与行数相等
batch_shape:若提供值，则返回batch_shape的单位阵。
例：
z=tf.eye(2,batch_shape=[2])z==>[[[1. 0.][0. 1.]][[1. 0.][0. 1.]]]
1.56 tf.matrix_diag(diagonal,name=None)
- 功能：根据对角值返回一批对角阵
- 输入：对角值
例：
a=tf.constant([[1,2,3],[4,5,6]])
z=tf.matrix_diag(a)z==>[[[1 0 0][0 2 0][0 0 3]][[4 0 0][0 5 0][0 0 6]]]
1.57 tf.matrix_diag_part(input,name=None)
- 功能：返回批对角阵的对角元素
- 输入：tensor,批对角阵
例：
a=tf.constant([[[1,3,0],[0,2,0],[0,0,3]],[[4,0,0],[0,5,0],[0,0,6]]])
z=tf.matrix_diag_part(a)z==>[[1 2 3][4 5 6]]
1.58 tf.matrix_band_part(input,num_lower,num_upper,name=None)
- 功能：复制一个矩阵，并将规定带之外的元素置为0。
假设元素坐标为（m，n），则in_band(m, n) = (num_lower < 0 || (m-n) <= num_lower)) &&
(num_upper < 0 || (n-m) <= num_upper)。
band（m,n）=in_band(m,n)*input(m,n)。
特殊情况：
tf.matrix_band_part(input, 0, -1) ==> 上三角阵.
tf.matrix_band_part(input, -1, 0) ==> 下三角阵.
tf.matrix_band_part(input, 0, 0) ==> 对角阵. - 输入：num_lower:如果为负，则结果右上空三角阵;
num_lower:如果为负，则结果左下为空三角阵。
例：
a=tf.constant([[0,1,2,3],[-1,0,1,2],[-2,-1,0,1],[-3,-2,-1,0]])
z=tf.matrix_band_part(a,1,-1)z==>[[0 1 2 3][-1 0 1 2][0 -1 0 1][0 0 -1 0]]
1.59 tf.matrix_set_diag(input,diagonal,name=None)
- 功能：将输入矩阵的对角元素置换为对角元素。
- 输入：input：矩阵，diagonal：对角元素。
例：
a=tf.constant([[0,1,2,3],[-1,0,1,2],[-2,-1,0,1],[-3,-2,-1,0]])
z=tf.matrix_set_diag(a,[10,11,12,13])z==>[[10 1 2 3][-1 11 1 2][0 -1 12 1][0 0 -1 13]]
1.60 tf.matrix_transpose(a,name=‘matrix_transpose’)
- 功能：进行矩阵转置。只对低维度的2维矩阵转置，功能同tf.transpose(a,perm=[0,1,3,2])。(若a为4维)
- 输入：矩阵。
1.61 tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
- 功能：矩阵乘法。配置后的矩阵a，b必须满足矩阵乘法对行列的要求。
- 输入：transpose_a,transpose_b:运算前是否转置;
adjoint_a,adjoint_b:运算前进行共轭;
a_is_sparse,b_is_sparse:a，b是否当作稀疏矩阵进行运算。
例：
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])
b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2])
z = tf.matmul(a, b)z==>[[ 58 64][139 154]]
1.62 tf.norm(tensor, ord=‘euclidean’, axis=None, keep_dims=False, name=None)
- 功能：求取范数。
- 输入：ord：范数类型，默认为‘euclidean’，支持的有‘fro’，‘euclidean’，‘0’，‘1’，‘2’，‘np.inf’;
axis：默认为‘None’，tensor为向量。
keep_dims:默认为‘None’，结果为向量，若为True，保持维度。 例：
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3],dtype=tf.float32)
z = tf.norm(a)
z2=tf.norm(a,ord=1)
z3=tf.norm(a,ord=2)
z4=tf.norm(a,ord=1,axis=0)
z5=tf.norm(a,ord=1,axis=1)
z6=tf.norm(a,ord=1,axis=1，keep_dims=True)z==>9.53939
z2==>21.0
z3==>9.53939
z4==>[5. 7. 9.]
z5==>[6. 15.]
z6==>[[6.][15.]]
1.63 tf.matrix_determinant(input, name=None)
- 功能：求行列式。
- 输入：必须是float32，float64类型。
例：
a = tf.constant([1, 2, 3, 4],shape=[2,2],dtype=tf.float32)
z = tf.matrix_determinant(a)z==>-2.0
1.64 tf.matrix_inverse(input, adjoint=None, name=None)
- 功能：求矩阵的逆。
- 输入：输入必须是float32，float64类型。adjoint表示计算前求转置
例：
a = tf.constant([1, 2, 3, 4],shape=[2,2],dtype=tf.float64)
z = tf.matrix_inverse(a)z==>[[-2. 1.][1.5 -0.5]]
1.65 tf.cholesky(input, name=None)
- 功能：进行cholesky分解。
- 输入：注意输入必须是正定矩阵。
例：
a = tf.constant([2, -2, -2, 5],shape=[2,2],dtype=tf.float64)
z = tf.cholesky(a)z==>[[ 1.41421356 0. ][-1.41421356 1.73205081]]
1.66 tf.cholesky_solve(chol, rhs, name=None)
- 功能：对方程‘AX=RHS’‘AX=RHS’‘AX=RHS’进行cholesky求解。
- 输入：chol=tf.cholesky(A)。
例：
a = tf.constant([2, -2, -2, 5],shape=[2,2],dtype=tf.float64)
chol = tf.cholesky(a)
RHS=tf.constant([3,10],shape=[2,1],dtype=tf.float64)
z=tf.cholesky_solve(chol,RHS)z==>[[5.83333333][4.33333333]] #A*X=RHS
1.67 tf.matrix_solve(matrix, rhs, adjoint=None, name=None)
- 功能：求线性方程组，matrix∗X=rhsmatrix*X=rhsmatrix∗X=rhs。
- 输入：adjoint:是否对matrix转置。
例：
a = tf.constant([2, -2, -2, 5],shape=[2,2],dtype=tf.float64)
RHS=tf.constant([3,10],shape=[2,1],dtype=tf.float64)
z=tf.matrix_solve(a,RHS)z==>[[5.83333333][4.33333333]]
1.68 tf.matrix_triangular_solve(matrix, rhs, lower=None, adjoint=None, name=None)
- 功能：求解matrix×X=rhsmatrix×X=rhsmatrix×X=rhs，matrix为上三角或下三角阵。
- 输入：lower：默认为None，matrix上三角元素为0;若为True，matrix下三角元素为0;
adjoint：转置
例：
a = tf.constant([2, 4, -2, 5],shape=[2,2],dtype=tf.float64)
RHS=tf.constant([3,10],shape=[2,1],dtype=tf.float64)
z=tf.matrix_triangular_solve(a,RHS)z==>[[1.5][2.6]]
1.69 tf.matrix_solve_ls(matrix, rhs, l2_regularizer=0.0, fast=True, name=None)
- 功能：求解多个线性方程的最小二乘问题。
- 输入：matrix：形状为 […, M, N] 的张量. rhs：形状为 […, M, K] 的张量.
l2_regularizer：0维双张量.如果 fast=False,则忽略. fast：布尔值,默认为 True
name：字符串类型值,可选的操作名称.
例：
a = tf.constant([2, 4, -2, 5],shape=[2,2],dtype=tf.float64)
RHS=tf.constant([3,10],shape=[2,1],dtype=tf.float64)
z=tf.matrix_solve_ls(a,RHS)z==>[[-1.38888889][1.44444444]]
1.70 tf.qr(input, full_matrices=None, name=None)
- 功能：对矩阵进行qr分解。
输入：。
例：
a = tf.constant([1,2,2,1,0,2,0,1,1],shape=[3,3],dtype=tf.float64)
q,r=tf.qr(a)q==>[[-0.70710678 0.57735027 -0.40824829][-0.70710678 -0.57735027 0.40824829][0. 0.57735027 0.81649658 ]]
r==>[[-1.41421356 -1.41421356 -2.82842712][0. 1.73205081 0.57735027][0. 0. 0.81649658]]
1.71 tf.self_adjoint_eig(tensor, name=None)
- 功能：求取特征值和特征向量。
- 输入：
例：
a = tf.constant([3,-1,-1,3],shape=[2,2],dtype=tf.float64)
e,v=tf.self_adjoint_eig(a)e==>[2. 4.]
v==>[[0.70710678 0.70710678][0.70710678 -0.70710678]]
1.72 tf.self_adjoint_eigvals(tensor, name=None)
- 功能：计算多个矩阵的特征值。
- 输入：shape=[…,N,N]。
1.73 tf.svd(tensor, full_matrices=False, compute_uv=True, name=None)
- 功能：进行奇异值分解。tensor=u×diag（s）×transpose（v）tensor=u×diag（s）×transpose（v）tensor=u×diag（s）×transpose（v）
- 输入：
例：
a = tf.constant([3,-1,-1,3],shape=[2,2],dtype=tf.float64)
s,u,v=tf.svd(a)s==>[4. 2.]
u==>[[0.70710678 0.70710678][-0.70710678 0.70710678]]
v==>[[0.70710678 0.70710678][-0.70710678 0.70710678]]
Tensor Math Function：
1.74 tf.tensordot(a, b, axes, name=None)
- 功能：同numpy.tensordot，根据axis计算点乘。
- 输入：axes=1或axes=[[1],[0]]，即为矩阵乘。
例：
a = tf.constant([1,2,3,4],shape=[2,2],dtype=tf.float64)
b = tf.constant([1,2,3,4],shape=[2,2],dtype=tf.float64)
z=tf.tensordot(a,b,axes=[[1],[1]])z==>[[5. 11.][11. 25.]]
Complex Number Functions
1.75 tf.complex(real, imag, name=None)
- 功能：将实数转化为复数。
- 输入：real，imag：float32或float64。
例：
real = tf.constant([1,2],dtype=tf.float64)
imag = tf.constant([3,4],dtype=tf.float64)
z=tf.complex(real,imag)z==>[1.+3.j 2.+4.j]
1.76 tf.conj(x, name=None)
- 功能：返回x的共轭复数。
- 输入：
例：
a = tf.constant([1+2j,2-3j])
z=tf.conj(a)z==>[1.-2.j 2.+3.j]
1.77 tf.imag(input, name=None)
- 功能：返回虚数部分。
- 输入：
complex64,complex128类型。
例：
a = tf.constant([1+2j,2-3j])
z=tf.imag(a)z==>[2. -3.]
1.78 tf.real(input,name=None)
- 功能：返回实数部分。
- 输入：
complex64,complex128类型。
例：
a = tf.constant([1+2j,2-3j])
z=tf.real(a)z==>[1. 2.]
1.79 ～1.84 fft变换
函数：
- tf.fft(input, name=None)
- tf.ifft(input, name=None)
- tf.fft2d(input,name=None)
- tf.ifft2d(input, name=None)
- tf.fft3d(input, name=None)
- tf.ifft3d(input, name=None)
Reduction
1.85 tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算元素和，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[1,2,3],[4,5,6]])
z=tf.reduce_sum(a)
z2=tf.reduce_sum(a,0)
z3=tf.reduce_sum(a,1)z==>21
z2==>[5 7 9]
z3==>[6 15]
1.86 tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算元素积，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[1,2,3],[4,5,6]])
z=tf.reduce_prod(a)
z2=tf.reduce_prod(a,0)
z3=tf.reduce_prod(a,1)z==>720
z2==>[4 10 18]
z3==>[6 120]
1.87 tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算最小值，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[1,2,3],[4,5,6]])
z=tf.reduce_min(a)
z2=tf.reduce_min(a,0)
z3=tf.reduce_min(a,1)z==>1
z2==>[1 2 3]
z3==>[1 4]
1.88 tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算最大值，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[1,2,3],[4,5,6]])
z=tf.reduce_max(a)
z2=tf.reduce_max(a,0)
z3=tf.reduce_max(a,1)z==>6
z2==>[4 5 6]
z3==>[3 6]
1.89 tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算平均值，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[1,2,3],[4,5,6]],dtype=tf.float64)
z=tf.reduce_mean(a)
z2=tf.reduce_mean(a,0)
z3=tf.reduce_mean(a,1)z==>3.5
z2==>[2.5 3.5 4.5]
z3==>[2. 5.]
1.90 tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算逻辑与，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[True,True,False,False],[True,False,False,True]])
z=tf.reduce_all(a)
z2=tf.reduce_all(a,0)
z3=tf.reduce_all(a,1)z==>False
z2==>[True False False False]
z3==>[False False]
1.91 tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算逻辑或，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[True,True,False,False],[True,False,False,True]])
z=tf.reduce_any(a)
z2=tf.reduce_any(a,0)
z3=tf.reduce_any(a,1)z==>True
z2==>[True True False True]
z3==>[True True]
1.92 tf.reduce_logsumexp(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None)
- 功能：沿着维度axis计算log(sum(exp()))，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[0,0,0],[0,0,0]],dtype=tf.float64)
z=tf.reduce_logsumexp(a)
z2=tf.reduce_logsumexp(a,0)
z3=tf.reduce_logsumexp(a,1)z==>1.79175946923#log(6)
z2==>[0.69314718 0.69314718 0.69314718]#[log(2) log(2) log(2)]
z3==>[1.09861229 1.09861229]#[log(3) log(3)]
1.93 tf.count_nonzero(input_tensor, axis=None, keep_dims=False, dtype=tf.int64, name=None, reduction_indices=None)
- 功能：沿着维度axis计算非0个数，除非keep_dims=True，输出tensor保持维度为1。
- 输入：axis：默认为None，即沿所有维度求和。
例：
a = tf.constant([[0,0,0],[0,1,2]],dtype=tf.float64)
z=tf.count_nonzero(a)
z2=tf.count_nonzero(a,0)
z3=tf.count_nonzero(a,1)z==>2
z2==>[0 1 1]
z3==>[0 2]
1.94 tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None)
- 功能：对应位置元素相加。如果输入是训练变量，不要使用，应使用tf.add_n。
- 输入：shape，tensor_dtype:类型检查
例：
- a = tf.constant([[1,2],[3,4]]) b = tf.constant([[5,6],[7,8]])z=tf.accumulate_n([a,b]) z==>[[6 8][10 12]]
1.95 tf.einsum(equation, *inputs)
- 功能：通过equation进行矩阵乘法。
- 输入：equation：乘法算法定义。
# 矩阵乘
>>> einsum('ij,jk->ik', m0, m1) # output[i,k] = sum_j m0[i,j] * m1[j, k]
# 点乘
>>> einsum('i,i->', u, v) # output = sum_i u[i]*v[i]
# 向量乘
>>> einsum('i,j->ij', u, v) # output[i,j] = u[i]*v[j]
# 转置
>>> einsum('ij->ji', m) # output[j,i] = m[i,j]
# 批量矩阵乘
>>> einsum('aij,ajk->aik', s, t) # out[a,i,k] = sum_j s[a,i,j] * t[a, j, k]
例：
a = tf.constant([[1,2],[3,4]])
b = tf.constant([[5,6],[7,8]])
z=tf.einsum('ij,jk->ik',a,b)z==>[[19 22][43 50]]
Scan
1.96 tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None)
- 功能：沿着维度axis进行累加。
- 输入：axis:默认为0
reverse：默认为False，若为True，累加反向相反。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.cumsum(a)
z2=tf.cumsum(a,axis=1)
z3=tf.cumsum(a,reverse=True)z==>[[1 2 3][5 7 9][12 15 18]]
z2==>[[1 3 6][4 9 15][7 15 24]]
z3==>[[12 15 18][11 13 15][7 8 9]]
1.97 tf.cumprod(x, axis=0, exclusive=False, reverse=False, name=None)
- 功能：沿着维度axis进行累积。
- 输入：axis:默认为0
reverse：默认为False，若为True，累加反向相反。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.cumprod(a)
z2=tf.cumprod(a,axis=1)
z3=tf.cumprod(a,reverse=True)z==>[[ 1 2 3][ 5 10 18][28 80 162]]
z2==>[[ 1 2 6][ 4 20 120][ 7 56 504]]
z3==>[[ 28 80 162][ 28 40 54][ 7 8 9]]
Segmentation
1.98 tf.segment_sum(data, segment_ids, name=None)
- 功能：tensor进行拆分后求和。
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
必须从0开始，且以1进行递增。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.segment_sum(a,[0,0,1])z==>[[5 7 9][7 8 9]]
1.99 tf.segment_prod(data, segment_ids, name=None)
- 功能：tensor进行拆分后求积。
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
必须从0开始，且以1进行递增。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.segment_prod(a,[0,0,1])
z==>[[4 10 18][7 8 9]]
1.100 tf.segment_min(data, segment_ids, name=None)
- 功能：tensor进行拆分后求最小值。
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
必须从0开始，且以1进行递增。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.segment_min(a,[0,0,1])z==>[[1 2 3][7 8 9]]
1.101 tf.segment_max(data, segment_ids, name=None)
- 功能：tensor进行拆分后求最大值。
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
必须从0开始，且以1进行递增。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.segment_max(a,[0,0,1])z==>[[4 5 6][7 8 9]]
1.102 tf.segment_mean(data, segment_ids, name=None)
- 功能：tensor进行拆分后求平均值。
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
必须从0开始，且以1进行递增。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.segment_mean(a,[0,0,1])z==>[[2 3 4][7 8 9]]
1.103 tf.unsorted_segment_sum(data, segment_ids, num_segments, name=None)
- 功能：tensor进行拆分后求和。不同于sugementsum，segmentids不用按照顺序排列
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
num_segments:分类总数，若多余ids匹配的数目，则置0。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.unsorted_segment_sum(a,[0,1,0],2)
z2=tf.unsorted_segment_sum(a,[0,0,0],2)z==>[[8 10 12][4 5 6]]
z2==>[[12 15 18][0 0 0]]
1.104 tf.unsorted_segment_max(data, segment_ids, num_segments, name=None)
- 功能：tensor进行拆分后求最大值。不同于sugementmax，segmentids不用按照顺序排列
- 输入：segment_ids:必须是整型，1维向量，向量数目与data第一维的数量一致。
num_segments:分类总数，若多余ids匹配的数目，则置0。
例：
a = tf.constant([[1,2,3],[4,5,6],[7,8,9]])
z=tf.unsorted_segment_max(a,[0,1,0],2)
z2=tf.unsorted_segment_max(a,[0,0,0],2)z==>[[8 10 12][4 5 6]]
z2==>[[12 15 18][0 0 0]]
1.105 tf.sparse_segment_sum(data, indices, segment_ids, name=None)
- 功能：tensor进行拆分后求和。和segment_sum类似，只是segment_ids的rank数可以小于‘data’第0维度数。
- 输入：indices:选择第0维度参与运算的编号。
例：
a = tf.constant([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
z=tf.sparse_segment_sum(a, tf.constant([0, 1]), tf.constant([0, 0]))
z2=tf.sparse_segment_sum(a, tf.constant([0, 1]), tf.constant([0, 1]))
z3=tf.sparse_segment_sum(a, tf.constant([0, 2]), tf.constant([0, 1]))
z4=tf.sparse_segment_sum(a, tf.constant([0, 1,2]), tf.constant([0, 0,1]))z==>[[6 8 10 12]]
z2==>[[1 2 3 4][5 6 7 8]]
z3==>[[1 2 3 4][9 10 11 12]]
z4==>[[6 8 10 12][9 10 11 12]]
1.106 tf.sparse_segment_mean(data, indices, segment_ids, name=None)
- 功能：tensor进行拆分后求平均值。和segment_mean类似，只是segment_ids的rank数可以小于‘data’第0维度数。
- 输入：indices:选择第0维度参与运算的编号。
例：
a = tf.constant([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
z=tf.sparse_segment_mean(a, tf.constant([0, 1]), tf.constant([0, 0]))
z2=tf.sparse_segment_mean(a, tf.constant([0, 1]), tf.constant([0, 1]))
z3=tf.sparse_segment_mean(a, tf.constant([0, 2]), tf.constant([0, 1]))
z4=tf.sparse_segment_mean(a, tf.constant([0, 1,2]), tf.constant([0, 0,1]))z==>[[3. 4. 5. 6.]]
z2==>[[1. 2. 3. 4.][5. 6. 7. 8.]]
z3==>[[1. 2. 3. 4.][9. 10. 11. 12.]]
z4==>[[3. 4. 5. 6.][9. 10. 11. 12.]]
1.107 tf.sparse_segment_sqrt_n(data, indices, segment_ids, name=None)
- 功能：tensor进行拆分后求和再除以N的平方根。N为reduce segment数量。
和segment_mean类似，只是segment_ids的rank数可以小于‘data’第0维度数。 - 输入：indices:选择第0维度参与运算的编号。
例：
a = tf.constant([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
z=tf.sparse_segment_sqrt_n(a, tf.constant([0, 1]), tf.constant([0, 0]))
z2=tf.sparse_segment_sqrt_n(a, tf.constant([0, 1]), tf.constant([0, 1]))
z3=tf.sparse_segment_sqrt_n(a, tf.constant([0, 2]), tf.constant([0, 1]))
z4=tf.sparse_segment_sqrt_n(a, tf.constant([0, 1,2]), tf.constant([0, 0,1]))z==>[[4.24264069 5.65685424 7.07106781 8.48528137]]
z2==>[[1. 2. 3. 4.][5. 6. 7. 8.]]
z3==>[[1. 2. 3. 4.][9. 10. 11. 12.]]
z4==>[[4.24264069 5.65685424 7.07106781 8.48528137][9. 10. 11. 12.]]
Sequence Comparison and Indexing
1.108 tf.argmin(input, axis=None, name=None, dimension=None)
- 功能：返回沿axis维度最小值的下标。
- 输入：
例：
a = tf.constant([[1,2,3,4], [5,6,7,8], [9,10,11,12]],tf.float64)
z1=tf.argmin(a,axis=0)
z2=tf.argmin(a,axis=1)z1==>[0 0 0 0]
z2==>[0 0 0]
1.109 tf.argmax(input, axis=None, name=None, dimension=None)
- 功能：返回沿axis维度最大值的下标。
- 输入：
例：
a = tf.constant([[1,2,3,4], [5,6,7,8], [9,10,11,12]],tf.float64)
z1=tf.argmin(a,axis=0)
z2=tf.argmax(a,axis=1)z1==>[2 2 2 2]
z2==>[3 3 3]
1.110 tf.setdiff1d(x, y, index_dtype=tf.int32, name=None)
- 功能：返回在x里不在y里的元素值和下标，
- 输入：
例：
a = tf.constant([1,2,3,4])
b=tf.constant([1,4])
out,idx=tf.setdiff1d(a,b)out==>[2 3]
idx==>[1 2]
1.111 tf.where(condition, x=None, y=None, name=None)
- 功能：若x,y都为None，返回condition值为True的坐标;
若x,y都不为None，返回condition值为True的坐标在x内的值，condition值为False的坐标在y内的值 - 输入：condition:bool类型的tensor;
例：
a=tf.constant([True,False,False,True])
x=tf.constant([1,2,3,4])
y=tf.constant([5,6,7,8])
z=tf.where(a)
z2=tf.where(a,x,y)z==>[[0][3]]
z2==>[ 1 6 7 4]
1.112 tf.unique(x, out_idx=None, name=None)
- 功能：罗列非重复元素及其编号。
- 输入：
例：
a = tf.constant([1,1,2,4,4,4,7,8,9,1])
y,idx=tf.unique(a)y==>[1 2 4 7 8 9]
idx==>[0 0 1 2 2 2 3 4 5 0]
1.113 tf.edit_distance(hypothesis, truth, normalize=True, name=‘edit_distance’)
功能：计算Levenshtein距离。
输入：hypothesis:‘SparseTensor’;
truth:‘SparseTensor’.
例：
hypothesis = tf.SparseTensor([[0, 0, 0],[1, 0, 0]],["a", "b"],(2, 1, 1))
truth = tf.SparseTensor([[0, 1, 0],[1, 0, 0],[1, 0, 1],[1, 1, 0]],["a", "b", "c", "a"],(2, 2, 2))
z=tf.edit_distance(hypothesis,truth)z==>[[inf 1.][0.5 1.]]
1.114 tf.invert_permutation(x, name=None)
- 功能：转换坐标与值。y(i)=x(i)的坐标 (for i in range (lens(x))。
- 输入：
例：
a=tf.constant([3,4,0,2,1])
z=tf.invert_permutation(a)z==>[2 4 3 0 1]
Tensorflow API（二）相关推荐
- Java / Tensorflow - API 调用 pb 模型使用 GPU 推理
目录 一.引言 二.Java / Tensorflow 代码配置 1.代码配置 2.Maven 配置 三.环境检测 1.显卡检测 2.显卡监控 四.推理踩坑 1.异常现象 2.异常日志 五.安装 cu ...
- 【AI实战】快速掌握TensorFlow（二）：计算图、会话
2019独角兽企业重金招聘Python工程师标准>>> 在前面的文章中,我们已经完成了AI基础环境的搭建(见文章:Ubuntu + Anaconda + TensorFlow + G ...
- solidworks api二次开发实例详解_Solidworks开发语言对比及分析
很多初学Solidworks二次开发的同学,也许都会纠结使用何种语言进行二次开发.对于Solidworks二次开发的语言,官方有VBA,VB.NET,C#以及C++,四种语言. 用户通常会有如下疑问, ...
- 帝国cms万能通用api二次开发核心包使用说明
简介 帝国cms万能通用api二次开发核心包是一款可以用地对帝国cms进行二次开发,可进行开发微信小程序.百度小程序.支付宝小程序.轻应用.苹果ios安卓android.其他营销插件的二次开发核心包. ...
- DL框架之TensorFlow：深度学习框架TensorFlow Core(低级别TensorFlow API)的简介、安装、使用方法之详细攻略
DL框架之TensorFlow:TensorFlow Core(低级别TensorFlow API)的简介.安装.使用方法之详细DL框架之TensorFlow:深度学习框架TensorFlow Cor ...
- Linux -- 基于zookeeper的java api(二)
Linux -- 基于zookeeper的java api(二) 写一个关于基于集群的zookeeper的自定义实现HA 基于客户端和监控器:使用监控的方法查看每个注册过的节点的状态来做出操作. Wa ...
- Map 3D API二次开发学习指南
作者:杜长宇 – Autodesk开发技术顾问 2012年9月26日 AutoCAD Map 3D 是构建于AutoCAD之上,面向基础设施领域的产品,他采用FDO技术来实现对业界常见GIS数据格式的 ...
- Eplan Electric P8 API二次开发之项目框架的搭建详解
一.目的 本博之前写过几篇Eplan Electric P8 API二次开发的一些小的细节,诸如怎么获取当前打开的项目,怎么在当前页面中插入一个符号(Symbol)及功能(Function)等等.对怎 ...
- Tensorflow（二） —— 创建Tensor类型的数据
Tensorflow(二) -- 创建Tensor类型的数据 1 创建Tensor的方式 2 from numpy.list 3 tf.zeros 4 tf.zeros_like 5 tf.ones ...
- 微信商城二次开发php,php版微信小店API二次开发及使用示例-微信开发
本文实例讲述了php版微信小店API二次开发及使用方法.分享给大家供大家参考,具体如下: 1. weixiaodian.php页面: class wXd { public $AppID = " ...
最新文章
- 独家 | 为什么Z世代会掉入网络错误信息的陷阱
- HDU 6090 Rikka with Graph
- LeetCode:Merge Intervals
- 2014-3-13 星期四 晴 [取舍 果断]
- python写配置文件方法_Python读写配置文件的方法
- C++三大继承与多级派生
- 这三种程序员，是时代的溺水者
- gdal ImportError: DLL load failed
- 最优化理论与方法（袁亚湘 孙文瑜）笔记（一）
- 互联网金融学习总结（5）——市场主流的风控模型简要学习总结
- MCAL配置-Cdd_Ipc
- 人工智能和自动化之间，主要有区别吗？
- Variation Model
- Python趣味案例 - 抓扑克牌的手气
- HIVE：窗口函数，用sql语句查询MySQL安装路径和版本
- Kitty用HTML和css咋做,使用CSS3代码绘制可爱的Hello Kitty猫
- vmware打开多台虚拟机之后导致主机蓝屏的解决方法
- 珞石经销商—珞石协作机器人xMate3的标定方法
- NC用友导入凭证失败错误：凭证内部错误号:[10044]
- Canvas画POS机打印小票图片，打印机直接打印图片