对于新手使用tensorflow进行深度学习编程的时候,往往是比较别扭的,因为它里面有很多的函数,在使用中需要记住,这个框架的优点是灵活性很高,相反它的缺点就是很多东西都需要自己去写,如果嫌麻烦可以考虑后端结合使用Keras来进行编程,那样很多模型会简化很多,Ok 这篇文章主要是把常用的基础函数做了个汇总,方便日后使用可以查询到:
import tensorflow as tf # 算术操作符：+ - * / % x ="" y = "" tf.add(x, y, name=None) # 加法(支持 broadcasting) tf.subtract(x, y, name=None) # 减法 tf.multiply(x, y, name=None) # 乘法 tf.divide(x, y, name=None) # 浮点除法, 返回浮点数(python3 除法) tf.mod(x, y, name=None) # 取余 # 幂指对数操作符：^ ^2 ^0.5 e^ ln tf.pow(x, y, name=None) # 幂次方 tf.square(x, name=None) # 平方 tf.sqrt(x, name=None) # 开根号，必须传入浮点数或复数 tf.exp(x, name=None) # 计算 e 的次方 tf.log(x, name=None) # 以 e 为底，必须传入浮点数或复数 # 取符号、负、倒数、绝对值、近似、两数中较大/小的 tf.negative(x, name=None) # 取负(y = -x). tf.sign(x, name=None) # 返回 x 的符号 tf.reciprocal(x, name=None) # 取倒数 tf.abs(x, name=None) # 求绝对值 tf.round(x, name=None) # 四舍五入 tf.ceil(x, name=None) # 向上取整 tf.floor(x, name=None) # 向下取整 tf.rint(x, name=None) # 取最接近的整数 tf.maximum(x, y, name=None) # 返回两tensor中的最大值 (x > y ? x : y) tf.minimum(x, y, name=None) # 返回两tensor中的最小值 (x < y ? x : y) # 三角函数和反三角函数 tf.cos(x, name=None) tf.sin(x, name=None) tf.tan(x, name=None) tf.acos(x, name=None) tf.asin(x, name=None) tf.atan(x, name=None) # 其它 tf.div(x, y, name=None) # python 2.7 除法, x/y-->int or x/float(y)-->float tf.truediv(x, y, name=None) # python 3 除法, x/y-->float tf.floordiv(x, y, name=None) # python 3 除法, x//y-->int tf.realdiv(x, y, name=None) tf.truncatediv(x, y, name=None) tf.floor_div(x, y, name=None) tf.truncatemod(x, y, name=None) tf.floormod(x, y, name=None) tf.cross(x, y, name=None) tf.add_n(x, name=None) # inputs: A list of Tensor objects, each with same shape and type tf.squared_difference(x, y, name=None) #矩阵数学函数 # 矩阵乘法(tensors of rank >= 2) tf.matmul(x, y, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None) # 转置，可以通过指定 perm=[1, 0] 来进行轴变换 tf.transpose(x, perm=None, name='transpose') # 在张量 a 的最后两个维度上进行转置 tf.matrix_transpose(x, name='matrix_transpose') # Matrix with two batch dimensions, x.shape is [1, 2, 3, 4] # tf.matrix_transpose(x) is shape [1, 2, 4, 3] # 求矩阵的迹 tf.trace(x, name=None) # 计算方阵行列式的值 tf.matrix_determinant(input, name=None) # 求解可逆方阵的逆，input 必须为浮点型或复数 tf.matrix_inverse(input, adjoint=None, name=None) # 奇异值分解 tf.svd(x, full_matrices=False, compute_uv=True, name=None) # QR 分解 tf.qr(input, full_matrices=None, name=None) # 求张量的范数(默认2) tf.norm(x, ord='euclidean', axis=None, keep_dims=False, name=None) # 构建一个单位矩阵, 或者 batch 个矩阵，batch_shape 以 list 的形式传入 tf.eye(x, num_columns=None, batch_shape=None, dtype=tf.float32, name=None) # Construct one identity matrix. tf.eye(2) # Construct a batch of 3 identity matricies, each 2 x 2. # batch_identity[i, :, :] is a 2 x 2 identity matrix, i = 0, 1, 2. batch_identity = tf.eye(2, batch_shape=[3]) # Construct one 2 x 3 "identity" matrix tf.eye(2, num_columns=3) #聚合操作 # 计算输入 tensor 所有元素的和，或者计算指定的轴所有元素的和 tf.reduce_sum(x, axis=None, keep_dims=False, name=None) # '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]] # 维度不缩减 tf.reduce_sum(x, [0, 1]) #==> 6 # 计算指定的轴所有元素的均值/最大值/最小值/积 # reduction_indices 和axis是一个意思 # axis = 0 代表是按列 # axis = 1 代表是按行 # axis 没有这个参数的话 就代表操作所有元素 tf.reduce_mean(x, axis=None, keep_dims=False, name=None) tf.reduce_max(x, axis=None, keep_dims=False, name=None) tf.reduce_min(x, axis=None, keep_dims=False, name=None) tf.reduce_prod(x, axis=None, keep_dims=False, name=None) #序列比较与索引提取 # 比较两个 list 或者 string 的不同，并返回不同的值和索引 tf.setdiff1d(x, y, index_dtype=tf.int32, name=None) # 返回 x 中的唯一值所组成的tensor 和原 tensor 中元素在现 tensor 中的索引 tf.unique(x, out_idx=None, name=None) # x if condition else y, condition 为 bool 类型的，可用tf.equal()等来表示 # x 和 y 的形状和数据类型必须一致 condition = "" tf.where(condition, x=None, y=None, name=None) # 返回沿着坐标轴方向的最大/最小值的索引 tf.argmax(input, axis=None, name=None, output_type=tf.int64) tf.argmin(input, axis=None, name=None, output_type=tf.int64) # x 的值当作 y 的索引，range(len(x)) 索引当作 y 的值 # y[x[i]] = i for i in [0, 1, ..., len(x) - 1] tf.invert_permutation(x, name=None)
上面把常用数学函数给总结了一下,希望方便大家学习汇总!