tensorflow里面函数记录
numpy中axis参数说明
https://www.jianshu.com/p/25e3d216e5bd
axis=i
,即沿着数组第i
个下标的变化方向进行操作。
这里我们用numpy.sum(axis=i)
进行说明
举例说明:
k = np.reshape(np.arange(24), [3, 2, 4])
print(k)[[[ 0 1 2 3][ 4 5 6 7]][[ 8 9 10 11][12 13 14 15]][[16 17 18 19][20 21 22 23]]]
这是一个(3,2,4)维的矩阵,那么对于每个元素,均可用3个下标i,j,k
表示,如:
k[i][j][k]
k[0][0][0]=0
k[0][0][3]=3
k[0][1][0]=4
k[1][0][0]=8
k[2][1][3]=23
# 坐标轴的取值范围
i={0,1,2}
j={0,1}
k={0,1,2,3}
求和操作是降维操作,k
有三个轴,分别按照这三个轴进行求和
axis=0
当axis=0
,即沿着第0个坐标i
下标变化的方向进行求和,第0
轴降维,得到的shape=(2,4)
print(k.sum(axis=0))
print(k.sum(axis=0).shape)[[24 27 30 33][36 39 42 45]]
(2, 4)
下面我们进行手算,沿着第0个坐标遍历求和:
# 沿着第三个坐标 k=0,1,2,3,再沿着第二个坐标j=0,1,共计算8次
# 坐标轴的取值范围
# i={0,1,2}
# j={0,1}
# k={0,1,2,3}k[0][0][0]+k[1][0][0]+k[2][0][0]=24
k[0][0][1]+k[1][0][1]+k[2][0][1]=27
k[0][0][2]+k[1][0][2]+k[2][0][2]=30
k[0][0][3]+k[1][0][3]+k[2][0][3]=33k[0][1][0]+k[1][1][0]+k[2][1][0]=36
k[0][1][1]+k[1][1][1]+k[2][1][1]=39
k[0][1][2]+k[1][1][2]+k[2][1][2]=42
k[0][1][3]+k[1][1][3]+k[2][1][3]=45sum = np.reshape(np.array([24, 27, 30, 33, 36, 39, 42, 45]), (2, 4))
sum = array([[24, 27, 30, 33],[36, 39, 42, 45]])
axis=1
当axis=1
,即沿着第1个坐标下标j
变化的方向进行求和,第1
轴降维,得到的shape=(3,4)
print(k.sum(axis=1))
print(k.sum(axis=1).shape)[[ 4 6 8 10][20 22 24 26][36 38 40 42]]
(3, 4)
这时,我们沿着第1个坐标j
进行手动求和:
# 坐标轴的取值范围
# i={0,1,2}
# j={0,1}
# k={0,1,2,3}k[0][0][0]+k[0][1][0]=4
k[0][0][1]+k[0][1][1]=6
k[0][0][2]+k[0][1][2]=8
k[0][0][3]+k[0][1][3]=10k[1][0][0]+k[1][1][0]=20
k[1][0][1]+k[1][1][1]=22
k[1][0][2]+k[1][1][2]=24
k[1][0][3]+k[1][1][3]=26k[2][0][0]+k[2][1][0]=36
k[2][0][1]+k[2][1][1]=38
k[2][0][2]+k[2][1][2]=40
k[2][0][3]+k[2][1][3]=42sum = np.reshape(np.array([4, 6, 8, 10, 20, 22, 24, 26, 36, 38, 40, 42]), (3, 4))
sum = array([[ 4, 6, 8, 10],[20, 22, 24, 26],[36, 38, 40, 42]])
axis=2,axis=-1,在Python中表示最后一个
当axis=2
,即沿着第2个坐标下标k
变化的方向进行求和,第2
轴降维,得到的shape=(3,2)
print(k.sum(axis=2))
print(k.sum(axis=2).shape)[[ 6 22][38 54][70 86]]
(3, 2)
还是一样的,我们沿着k
坐标的变化进行计算:
# 坐标轴的取值范围
# i={0,1,2}
# j={0,1}
# k={0,1,2,3}k[0][0][0]+k[0][0][1]+k[0][0][2]+k[0][0][3]=6
k[0][1][0]+k[0][1][1]+k[0][1][2]+k[0][1][3]=22k[1][0][0]+k[1][0][1]+k[1][0][2]+k[1][0][3]=38
k[1][1][0]+k[1][1][1]+k[1][1][2]+k[1][1][3]=54k[2][0][0]+k[2][0][1]+k[2][0][2]+k[2][0][3]=70
k[2][1][0]+k[2][1][1]+k[2][1][2]+k[2][1][3]=86sum = np.reshape(np.array([6, 22, 38, 54, 70, 86]), (3, 2))
sum = array([[ 6, 22],[38, 54],[70, 86]])
tensorflow中的axis
import tensorflow as tff1 = tf.argmax([[1, 5, 8, 2],[3, 2, 6, 7],[7, 4, 1, 5]], axis=0)f2 = tf.argmax([[1, 5, 8, 2],[3, 2, 6, 7],[7, 4, 1, 5]], axis=1)f3 = tf.argmax([[[1, 5, 8, 2],[3, 2, 6, 7],[7, 4, 1, 5]],[[1, 5, 8, 2],[3, 2, 6, 7],[7, 4, 1, 5]]], axis=2)f4 = tf.argmax([[[1, 5, 8, 2],[3, 2, 6, 7],[7, 4, 1, 5]],[[1, 5, 8, 2],[3, 2, 6, 7],[7, 4, 1, 5]]], axis=1)with tf.Session() as sess:print(sess.run(f1))print(sess.run(f2))print(sess.run(f3))print(sess.run(f4))
[2 0 0 1]
[2 3 0]
[[2 0 0 1]
[2 0 0 1]]
1.tf.greater(a,b)
#-*-coding:utf-8-*-
import tensorflow as tfsess = tf.Session()
with sess.as_default():print(tf.greater([[1, 2, 3, 4], [5, 6, 7, 8]], 3).eval())
[[False False False True]
[ True True True True]]
2.tf.cast()函数
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。
import tensorflow as tft1 = tf.Variable([1,2,3,4,5])
t2 = tf.cast(t1,dtype=tf.float32)print 't1: {}'.format(t1)
print 't2: {}'.format(t2)with tf.Session() as sess:sess.run(tf.global_variables_initializer())sess.run(t2)print t2.eval()# print(sess.run(t2))
t1: <tf.Variable 'Variable:0' shape=(5,) dtype=int32_ref>
t2: Tensor("Cast:0", shape=(5,), dtype=float32)
[ 1. 2. 3. 4. 5.]
3.tf.maximum()函数
其实和numpy.maximum()这个函数一样
tf.maximum:用法tf.maximum(a,b),返回的是a,b之间的最大值,
tf.miniimum:用法tf.miiinimum(a,b),返回的是a,b之间的最小值,
tf.argmax:用法tf.argmax(a,dimension),返回的是a中的某个维度最大值的索引,
tf.argmain:用法tf.argmin(a,dimension),返回的是a中的某个维度最小值的索引
import tensorflow as tff1 = tf.maximum([1, 5, 3], 3)
f2 = tf.maximum([1, 2, 3], [4, 1, 2])
f3 = tf.argmax([1, 2, 3], 0)with tf.Session() as sess:print(sess.run(f1)) # print f1.eval()print(sess.run(f2))print(sess.run(f3))
4.tf.reduce_max()函数
相当于numpy.max()函数
reduce_max(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None
)
#-*-coding:utf-8-*-
import numpy as np
import tensorflow as tfprediction = np.array([[0.53, 0.56, 0.96], [0.55, 0.66, 0.59], [0.676, 0.897, 0.965],[0.333, 0.26, 0.36], [0.55, 0.56, 0.80], [0.665, 0.87, 0.35]])classes = tf.argmax(prediction, axis=1)
scores = tf.reduce_max(prediction, axis=1)
classes1 = np.argmax(prediction, axis=1)
scores1 = np.max(prediction, axis=1)
print(classes1)
print(scores1)with tf.Session() as sess:print('classes:', sess.run(classes))print('scores:', sess.run(scores))
[2 1 2 2 2 1]
[ 0.96 0.66 0.965 0.36 0.8 0.87 ]
classes: [2 1 2 2 2 1]
scores: [ 0.96 0.66 0.965 0.36 0.8 0.87 ]
5.初始化
tf.zeros()
tf.ones()
#-*-coding:utf-8-*-
import tensorflow as tfzeros = tf.zeros(shape=(3, 3), dtype=tf.float32)
ones = tf.ones(shape=(3, 3), dtype=tf.float32)with tf.Session() as sess:print('zeros:', sess.run(zeros), end='\n')print('ones:', sess.run(ones), end='\n')
zeros: [[ 0. 0. 0.]
[ 0. 0. 0.]
[ 0. 0. 0.]]
ones: [[ 1. 1. 1.]
[ 1. 1. 1.]
[ 1. 1. 1.]]
6.tf.greater()
比较函数,返回bool类型
#-*-coding:utf-8-*-
import tensorflow as tfwith tf.Session() as sess:print(sess.run(tf.greater([2, 3], [3, 2])))print(sess.run(tf.greater([2, 4], 3)))
[False True]
[False True]
7.tf.logical_and,tf.logical_or
np.logical_and(逻辑与)一样
np.logical_or(逻辑或)
# -*-coding:utf-8-*-
import tensorflow as tf
import numpy as npmask1 = tf.logical_and(True, False)
mask2 = tf.logical_and([True, False], [False, True])
x = np.arange(5)
mask3 = tf.logical_and(x > 1, x < 4)with tf.Session() as sess:print(sess.run(mask1))print(sess.run(mask2))print(sess.run(mask3))
False
[False False]
[False False True True False]
8. tf.while_loop()
用法:
final_state = tf.while_loop(cond, loop_body, init_state)
- cond 是一个函数,负责判断继续执行循环的条件。
- loop_body 是每个循环体内执行的操作,负责对循环状态迸行更新。
- init_state 为循环的起始状态,它可以包含多个 Tensor 或者 TensorArray 。
- 返回的结果是循环结束时的循环状态。
import tensorflow as tfa = tf.get_variable("ii", dtype=tf.int32, shape=[], initializer=tf.ones_initializer())
n = tf.constant(10)def cond(a, n):return a < ndef body(a, n):a = a + 1return a, na, n = tf.while_loop(cond, body, [a, n])
with tf.Session() as sess:tf.global_variables_initializer().run()res = sess.run([a, n])print(res)
[10, 10]
9.tf.concat()
tensorflow中用来拼接张量的函数tf.concat(),用法:
tf.concat([tensor1, tensor2, tensor3,...], axis)
先给出tf源代码中的解释:
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]
这里解释了当axis=0和axis=1的情况,怎么理解这个axis呢?其实这和numpy中的np.concatenate()用法是一样的。
axis=0 代表在第0个维度拼接
axis=1 代表在第1个维度拼接
10.tf.stack()
tensorflow里面函数记录相关推荐
- tensorflow函数记录
tensorflow函数记录 函数类型一 tf.stack() axis=0,1 tf.reduce_sum() axis=0,1 tf.concat() axis=0,1 功能快捷键 合理的创建标题 ...
- MATLAB【十三】————仿真函数记录以及matlab变成小结
part one:matlab 编程小结. 1.char 与string的区别,char使用的单引号 '' ,string使用的是双引号"". 2.一般标题中的输出一定要通过 nu ...
- tensorflow学习函数笔记
为什么80%的码农都做不了架构师?>>> [TensorFlow教程资源](https://my.oschina.net/u/3787228/blog/1794868](htt ...
- 『TensorFlow』函数查询列表_张量属性调整
博客园 首页 新随笔 新文章 联系 订阅 管理 『TensorFlow』函数查询列表_张量属性调整 数据类型转换Casting 操作 描述 tf.string_to_number (string_te ...
- 我在Suse 11 Sp3上使用anaconda安装TensorFlow的过程记录
我在Suse 11 Sp3上使用anaconda安装TensorFlow的过程记录准备安装包: gcc48 glibc-2.18.tar.gz SLES-11-SP4-DVD-x86_64-GM-DV ...
- tensorflow学习之常用函数总结:tensorflow.placeholder()函数
tensorflow.placeholder()函数 tensorflow.placeholder(dtype, shape=None, name=None) 此函数可以理解为形参,用于定义过程,在执 ...
- tensorflow学习之常用函数总结:tensorflow.argmax()函数
tensorflow.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 inp ...
- 记录 之 tensorflow 常用函数:tf.split(),tf.clip_by_value() 和 tf.cond()
1.tf.split(axis, num_or_size_splits,value) 该函数是通道拆分函数,将原来的的多通道tensor,拆分为单通道 axis:拆分的维度 num_or_size_s ...
- Tensorflow常用函数汇总
转载自:http://blog.csdn.net/lenbow/article/details/52152766 1.tensorflow的基本运作 为了快速的熟悉TensorFlow编程,下面从一段 ...
最新文章
- 管理员信息管理之保存管理员数据
- c++primer plus 第13章 编程题第2题
- 已经yum安装的基础上,升级编译安装git
- DPM2012保护sharepoint场
- mybatis连接oracle_Mybatis 系列 0:初恋Mybatis
- RabbitMQ消息队列———安装(一)
- Redis发布订阅模式
- 19C新特性:Voting Disk管理
- java io流缓冲理解
- OverIQ 中文系列教程【翻译完成】
- 和平精英连接服务器未响应,和平精英触控失灵怎么回事 操作触屏有时候没反应介绍...
- 机器学习实战(MachineLearinginAction) 第一章
- 一次完整的zabbix监控配置
- 第一段冲刺 站立会议 5.5
- paip.svn使用小结
- linkin大话设计模式--命令模式
- PostgreSQL数据库日常学习笔记13-约束
- 图片尺寸怎么修改?分享2种方法快速修改图片尺寸大小
- 用php和mysql写一个注册登录页面
- 深入理解L0,L1和L2正则化