tensorflow常用函數(shù)API介紹
更新時間：2020年04月19日 10:54:04 作者：wuqingshan2010
這篇文章主要介紹了tensorflow常用函數(shù)API介紹，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
摘要：本文介紹了tensorflow的常用函數(shù)。
1、tensorflow常用函數(shù)
TensorFlow 將圖形定義轉(zhuǎn)換成分布式執(zhí)行的操作, 以充分利用可用的計算資源(如 CPU 或 GPU。一般你不需要顯式指定使用 CPU 還是 GPU, TensorFlow 能自動檢測。如果檢測到 GPU, TensorFlow 會盡可能地利用找到的第一個 GPU 來執(zhí)行操作.
并行計算能讓代價大的算法計算加速執(zhí)行，TensorFlow也在實現(xiàn)上對復雜操作進行了有效的改進。大部分核相關(guān)的操作都是設(shè)
備相關(guān)的實現(xiàn)，比如GPU。下面是一些重要的操作/核：
| 操作組 | 操作 |
|---|---|
| Maths | Add, Sub, Mul, Div, Exp, Log, Greater, Less, Equal |
| Array | Concat, Slice, Split, Constant, Rank, Shape, Shuffle |
| Matrix | MatMul, MatrixInverse, MatrixDeterminant |
| Neuronal Network | SoftMax, Sigmoid, ReLU, Convolution2D, MaxPool |
| Checkpointing | Save, Restore |
| Queues and syncronizations | Enqueue, Dequeue, MutexAcquire, MutexRelease |
| Flow control | Merge, Switch, Enter, Leave, NextIteration |
TensorFlow的算術(shù)操作如下：
| 操作 | 描述 |
|---|---|
| tf.add(x, y, name=None) | 求和 |
| tf.sub(x, y, name=None) | 減法 |
| tf.mul(x, y, name=None) | 乘法 |
| tf.div(x, y, name=None) | 除法 |
| tf.mod(x, y, name=None) | 取模 |
| tf.abs(x, name=None) | 求絕對值 |
| tf.neg(x, name=None) | 取負 (y = -x). |
| tf.sign(x, name=None) | 返回符號 y = sign(x) = -1 if x < 0; 0 if x == 0; 1 if x > 0. |
| tf.inv(x, name=None) | 取反 |
| tf.square(x, name=None) | 計算平方 (y = x * x = x^2). |
| tf.round(x, name=None) | 舍入最接近的整數(shù) # ‘a(chǎn)' is [0.9, 2.5, 2.3, -4.4] tf.round(a) ==> [ 1.0, 3.0, 2.0, -4.0 ] |
| tf.sqrt(x, name=None) | 開根號 (y = \sqrt{x} = x^{1/2}). |
| tf.pow(x, y, name=None) | 冪次方 # tensor ‘x' is [[2, 2], [3, 3]] # tensor ‘y' is [[8, 16], [2, 3]] tf.pow(x, y) ==> [[256, 65536], [9, 27]] |
| tf.exp(x, name=None) | 計算e的次方 |
| tf.log(x, name=None) | 計算log，一個輸入計算e的ln，兩輸入以第二輸入為底 |
| tf.maximum(x, y, name=None) | 返回最大值 (x > y ? x : y) |
| tf.minimum(x, y, name=None) | 返回最小值 (x < y ? x : y) |
| tf.cos(x, name=None) | 三角函數(shù)cosine |
| tf.sin(x, name=None) | 三角函數(shù)sine |
| tf.tan(x, name=None) | 三角函數(shù)tan |
| tf.atan(x, name=None) | 三角函數(shù)ctan |
張量操作Tensor Transformations
- 數(shù)據(jù)類型轉(zhuǎn)換Casting
| 操作 | 描述 |
|---|---|
| tf.string_to_number (string_tensor, out_type=None, name=None) |
字符串轉(zhuǎn)為數(shù)字 |
| tf.to_double(x, name='ToDouble') | 轉(zhuǎn)為64位浮點類型–float64 |
| tf.to_float(x, name='ToFloat') | 轉(zhuǎn)為32位浮點類型–float32 |
| tf.to_int32(x, name='ToInt32') | 轉(zhuǎn)為32位整型–int32 |
| tf.to_int64(x, name='ToInt64') | 轉(zhuǎn)為64位整型–int64 |
| tf.cast(x, dtype, name=None) | 將x或者x.values轉(zhuǎn)換為dtype # tensor a is [1.8, 2.2], dtype=tf.floattf.cast(a, tf.int32) ==> [1, 2] # dtype=tf.int32 |
- 形狀操作Shapes and Shaping
| 操作 | 描述 |
|---|---|
| tf.shape(input, name=None) | 返回數(shù)據(jù)的shape # ‘t' is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]] shape(t) ==> [2, 2, 3] |
| tf.size(input, name=None) | 返回數(shù)據(jù)的元素數(shù)量 # ‘t' is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]] size(t) ==> 12 |
| tf.rank(input, name=None) | 返回tensor的rank 注意：此rank不同于矩陣的rank， tensor的rank表示一個tensor需要的索引數(shù)目來唯一表示任何一個元素 也就是通常所說的 “order”, “degree”或”ndims” #'t' is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]] # shape of tensor ‘t' is [2, 2, 3] rank(t) ==> 3 |
| tf.reshape(tensor, shape, name=None) | 改變tensor的形狀 # tensor ‘t' is [1, 2, 3, 4, 5, 6, 7, 8, 9] # tensor ‘t' has shape [9] reshape(t, [3, 3]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9]] #如果shape有元素[-1],表示在該維度打平至一維 # -1 將自動推導得為 9: reshape(t, [2, -1]) ==> [[1, 1, 1, 2, 2, 2, 3, 3, 3], [4, 4, 4, 5, 5, 5, 6, 6, 6]] |
| tf.expand_dims(input, dim, name=None) | 插入維度1進入一個tensor中 #該操作要求-1-input.dims() # ‘t' is a tensor of shape [2] shape(expand_dims(t, 0)) ==> [1, 2] shape(expand_dims(t, 1)) ==> [2, 1] shape(expand_dims(t, -1)) ==> [2, 1] <= dim <= input.dims() |
- 切片與合并（Slicing and Joining）
| 操作 | 描述 |
|---|---|
| tf.slice(input_, begin, size, name=None) | 對tensor進行切片操作 其中size[i] = input.dim_size(i) - begin[i] 該操作要求 0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n] #'input' is #[[[1, 1, 1], [2, 2, 2]],[[3, 3, 3], [4, 4, 4]],[[5, 5, 5], [6, 6, 6]]] tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]] tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3], [4, 4, 4]]] tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> [[[3, 3, 3]], [[5, 5, 5]]] |
| tf.split(split_dim, num_split, value, name='split') | 沿著某一維度將tensor分離為num_split tensors # ‘value' is a tensor with shape [5, 30] # Split ‘value' into 3 tensors along dimension 1 split0, split1, split2 = tf.split(1, 3, value) tf.shape(split0) ==> [5, 10] |
| tf.concat(concat_dim, values, name='concat') | 沿著某一維度連結(jié)tensor t1 = [[1, 2, 3], [4, 5, 6]] t2 = [[7, 8, 9], [10, 11, 12]] tf.concat(0, [t1, t2]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]] tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]] 如果想沿著tensor一新軸連結(jié)打包,那么可以： tf.concat(axis, [tf.expand_dims(t, axis) for t in tensors]) 等同于tf.pack(tensors, axis=axis) |
| tf.pack(values, axis=0, name='pack') | 將一系列rank-R的tensor打包為一個rank-(R+1)的tensor # ‘x' is [1, 4], ‘y' is [2, 5], ‘z' is [3, 6] pack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] # 沿著第一維pack pack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]] 等價于tf.pack([x, y, z]) = np.asarray([x, y, z]) |
| tf.reverse(tensor, dims, name=None) | 沿著某維度進行序列反轉(zhuǎn) 其中dim為列表，元素為bool型，size等于rank(tensor) # tensor ‘t' is [[[[ 0, 1, 2, 3], #[ 4, 5, 6, 7], #[ 8, 9, 10, 11]], #[[12, 13, 14, 15], #[16, 17, 18, 19], #[20, 21, 22, 23]]]] # tensor ‘t' shape is [1, 2, 3, 4] # ‘dims' is [False, False, False, True] reverse(t, dims) ==> [[[[ 3, 2, 1, 0], [ 7, 6, 5, 4], [ 11, 10, 9, 8]], [[15, 14, 13, 12], [19, 18, 17, 16], [23, 22, 21, 20]]]] |
| tf.transpose(a, perm=None, name='transpose') | 調(diào)換tensor的維度順序 按照列表perm的維度排列調(diào)換tensor順序， 如為定義，則perm為(n-1…0) # ‘x' is [[1 2 3],[4 5 6]] tf.transpose(x) ==> [[1 4], [2 5],[3 6]] # Equivalently tf.transpose(x, perm=[1, 0]) ==> [[1 4],[2 5], [3 6]] |
| tf.gather(params, indices, validate_indices=None, name=None) | 合并索引indices所指示params中的切片 |
| tf.one_hot (indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None) |
indices = [0, 2, -1, 1] depth = 3 on_value = 5.0 off_value = 0.0 axis = -1 #Then output is [4 x 3]: output = [5.0 0.0 0.0] // one_hot(0) [0.0 0.0 5.0] // one_hot(2) [0.0 0.0 0.0] // one_hot(-1) [0.0 5.0 0.0] // one_hot(1) |
矩陣相關(guān)運算
| 操作 | 描述 |
|---|---|
| tf.diag(diagonal, name=None) | 返回一個給定對角值的對角tensor # ‘diagonal' is [1, 2, 3, 4] tf.diag(diagonal) ==> [[1, 0, 0, 0] [0, 2, 0, 0] [0, 0, 3, 0] [0, 0, 0, 4]] |
| tf.diag_part(input, name=None) | 功能與上面相反 |
| tf.trace(x, name=None) | 求一個2維tensor足跡，即對角值diagonal之和 |
| tf.transpose(a, perm=None, name='transpose') | 調(diào)換tensor的維度順序 按照列表perm的維度排列調(diào)換tensor順序， 如為定義，則perm為(n-1…0) # ‘x' is [[1 2 3],[4 5 6]] tf.transpose(x) ==> [[1 4], [2 5],[3 6]] # Equivalently tf.transpose(x, perm=[1, 0]) ==> [[1 4],[2 5], [3 6]] |
| tf.matmul(a, b, transpose_a=False, transpose_b=False, a_is_sparse=False, b_is_sparse=False, name=None) |
矩陣相乘 |
| tf.matrix_determinant(input, name=None) | 返回方陣的行列式 |
| tf.matrix_inverse(input, adjoint=None, name=None) | 求方陣的逆矩陣，adjoint為True時，計算輸入共軛矩陣的逆矩陣 |
| tf.cholesky(input, name=None) | 對輸入方陣cholesky分解， 即把一個對稱正定的矩陣表示成一個下三角矩陣L和其轉(zhuǎn)置的乘積的分解A=LL^T |
| tf.matrix_solve(matrix, rhs, adjoint=None, name=None) | 求解tf.matrix_solve(matrix, rhs, adjoint=None, name=None) matrix為方陣shape為[M,M],rhs的shape為[M,K]，output為[M,K] |
復數(shù)操作
| 操作 | 描述 |
|---|---|
| tf.complex(real, imag, name=None) | 將兩實數(shù)轉(zhuǎn)換為復數(shù)形式 # tensor ‘real' is [2.25, 3.25] # tensor imag is [4.75, 5.75]tf.complex(real, imag) ==> [[2.25 + 4.75j], [3.25 + 5.75j]] |
| tf.complex_abs(x, name=None) | 計算復數(shù)的絕對值，即長度。 # tensor ‘x' is [[-2.25 + 4.75j], [-3.25 + 5.75j]] tf.complex_abs(x) ==> [5.25594902, 6.60492229] |
| tf.conj(input, name=None) | 計算共軛復數(shù) |
| tf.imag(input, name=None) tf.real(input, name=None) |
提取復數(shù)的虛部和實部 |
| tf.fft(input, name=None) | 計算一維的離散傅里葉變換，輸入數(shù)據(jù)類型為complex64 |
歸約計算(Reduction)
| 操作 | 描述 |
|---|---|
| tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None) |
計算輸入tensor元素的和，或者安照reduction_indices指定的軸進行求和 # ‘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) |
計算輸入tensor元素的乘積，或者安照reduction_indices指定的軸進行求乘積 |
| tf.reduce_min(input_tensor, reduction_indices=None, keep_dims=False, name=None) |
求tensor中最小值 |
| tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None) |
求tensor中最大值 |
| tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None) |
求tensor中平均值 |
| tf.reduce_all(input_tensor, reduction_indices=None, keep_dims=False, name=None) |
對tensor中各個元素求邏輯'與' # ‘x' is # [[True, True] # [False, False]] tf.reduce_all(x) ==> False tf.reduce_all(x, 0) ==> [False, False] tf.reduce_all(x, 1) ==> [True, False] |
| tf.reduce_any(input_tensor, reduction_indices=None, keep_dims=False, name=None) |
對tensor中各個元素求邏輯'或' |
| tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None) |
計算一系列tensor的和 # tensor ‘a(chǎn)' is [[1, 2], [3, 4]] # tensor b is [[5, 0], [0, 6]]tf.accumulate_n([a, b, a]) ==> [[7, 4], [6, 14]] |
| tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None) |
求累積和 tf.cumsum([a, b, c]) ==> [a, a + b, a + b + c] tf.cumsum([a, b, c], exclusive=True) ==> [0, a, a + b] tf.cumsum([a, b, c], reverse=True) ==> [a + b + c, b + c, c] tf.cumsum([a, b, c], exclusive=True, reverse=True) ==> [b + c, c, 0] |
分割(Segmentation)
| 操作 | 描述 |
|---|---|
| tf.segment_sum(data, segment_ids, name=None) | 根據(jù)segment_ids的分段計算各個片段的和 其中segment_ids為一個size與data第一維相同的tensor 其中id為int型數(shù)據(jù)，最大id不大于size c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]]) tf.segment_sum(c, tf.constant([0, 0, 1])) ==>[[0 0 0 0] [5 6 7 8]] 上面例子分為[0,1]兩id,對相同id的data相應(yīng)數(shù)據(jù)進行求和, 并放入結(jié)果的相應(yīng)id中， 且segment_ids只升不降 |
| tf.segment_prod(data, segment_ids, name=None) | 根據(jù)segment_ids的分段計算各個片段的積 |
| tf.segment_min(data, segment_ids, name=None) | 根據(jù)segment_ids的分段計算各個片段的最小值 |
| tf.segment_max(data, segment_ids, name=None) | 根據(jù)segment_ids的分段計算各個片段的最大值 |
| tf.segment_mean(data, segment_ids, name=None) | 根據(jù)segment_ids的分段計算各個片段的平均值 |
| tf.unsorted_segment_sum(data, segment_ids, num_segments, name=None) |
與tf.segment_sum函數(shù)類似， 不同在于segment_ids中id順序可以是無序的 |
| tf.sparse_segment_sum(data, indices, segment_ids, name=None) |
輸入進行稀疏分割求和 c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]]) # Select two rows, one segment. tf.sparse_segment_sum(c, tf.constant([0, 1]), tf.constant([0, 0])) ==> [[0 0 0 0]] 對原data的indices為[0,1]位置的進行分割， 并按照segment_ids的分組進行求和 |
序列比較與索引提取(Sequence Comparison and Indexing)
| 操作 | 描述 |
|---|---|
| tf.argmin(input, dimension, name=None) | 返回input最小值的索引index |
| tf.argmax(input, dimension, name=None) | 返回input最大值的索引index |
| tf.listdiff(x, y, name=None) | 返回x，y中不同值的索引 |
| tf.where(input, name=None) | 返回bool型tensor中為True的位置 # ‘input' tensor is #[[True, False] #[True, False]] # ‘input' 有兩個'True',那么輸出兩個坐標值. # ‘input'的rank為2, 所以每個坐標為具有兩個維度. where(input) ==> [[0, 0], [1, 0]] |
| tf.unique(x, name=None) | 返回一個元組tuple(y,idx)，y為x的列表的唯一化數(shù)據(jù)列表， idx為x數(shù)據(jù)對應(yīng)y元素的index # tensor ‘x' is [1, 1, 2, 4, 4, 4, 7, 8, 8] y, idx = unique(x) y ==> [1, 2, 4, 7, 8] idx ==> [0, 0, 1, 2, 2, 2, 3, 4, 4] |
| tf.invert_permutation(x, name=None) | 置換x數(shù)據(jù)與索引的關(guān)系 # tensor x is [3, 4, 0, 2, 1]invert_permutation(x) ==> [2, 4, 3, 0, 1] |
神經(jīng)網(wǎng)絡(luò)(Neural Network)
- 激活函數(shù)（Activation Functions）
| 操作 | 描述 |
|---|---|
| tf.nn.relu(features, name=None) | 整流函數(shù)：max(features, 0) |
| tf.nn.relu6(features, name=None) | 以6為閾值的整流函數(shù)：min(max(features, 0), 6) |
| tf.nn.elu(features, name=None) | elu函數(shù)，exp(features) - 1 if < 0,否則features Exponential Linear Units (ELUs) |
| tf.nn.softplus(features, name=None) | 計算softplus：log(exp(features) + 1) |
| tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None) |
計算dropout，keep_prob為keep概率 noise_shape為噪聲的shape |
| tf.nn.bias_add(value, bias, data_format=None, name=None) | 對value加一偏置量 此函數(shù)為tf.add的特殊情況，bias僅為一維， 函數(shù)通過廣播機制進行與value求和, 數(shù)據(jù)格式可以與value不同，返回為與value相同格式 |
| tf.sigmoid(x, name=None) | y = 1 / (1 + exp(-x)) |
| tf.tanh(x, name=None) | 雙曲線切線激活函數(shù) |
- 卷積函數(shù)（Convolution）
| 操作 | 描述 |
|---|---|
| tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None) |
在給定的4D input與 filter下計算2D卷積 輸入shape為 [batch, height, width, in_channels] |
| tf.nn.conv3d(input, filter, strides, padding, name=None) | 在給定的5D input與 filter下計算3D卷積 輸入shape為[batch, in_depth, in_height, in_width, in_channels] |
- 池化函數(shù)（Pooling）
| 操作 | 描述 |
|---|---|
| tf.nn.avg_pool(value, ksize, strides, padding, data_format='NHWC', name=None) |
平均方式池化 |
| tf.nn.max_pool(value, ksize, strides, padding, data_format='NHWC', name=None) |
最大值方法池化 |
| tf.nn.max_pool_with_argmax(input, ksize, strides, padding, Targmax=None, name=None) |
返回一個二維元組(output,argmax),最大值pooling，返回最大值及其相應(yīng)的索引 |
| tf.nn.avg_pool3d(input, ksize, strides, padding, name=None) |
3D平均值pooling |
| tf.nn.max_pool3d(input, ksize, strides, padding, name=None) |
3D最大值pooling |
- 數(shù)據(jù)標準化（Normalization）
| 操作 | 描述 |
|---|---|
| tf.nn.l2_normalize(x, dim, epsilon=1e-12, name=None) | 對維度dim進行L2范式標準化 output = x / sqrt(max(sum(x**2), epsilon)) |
| tf.nn.sufficient_statistics(x, axes, shift=None, keep_dims=False, name=None) |
計算與均值和方差有關(guān)的完全統(tǒng)計量 返回4維元組,*元素個數(shù)，*元素總和，*元素的平方和，*shift結(jié)果 參見算法介紹 |
| tf.nn.normalize_moments(counts, mean_ss, variance_ss, shift, name=None) | 基于完全統(tǒng)計量計算均值和方差 |
| tf.nn.moments(x, axes, shift=None, name=None, keep_dims=False) |
直接計算均值與方差 |
- 損失函數(shù)（Losses）
| 操作 | 描述 |
|---|---|
| tf.nn.l2_loss(t, name=None) | output = sum(t ** 2) / 2 |
- 分類函數(shù)（Classification）
| 操作 | 描述 |
|---|---|
| tf.nn.sigmoid_cross_entropy_with_logits (logits, targets, name=None)* |
計算輸入logits, targets的交叉熵 |
| tf.nn.softmax(logits, name=None) | 計算softmax softmax[i, j] = exp(logits[i, j]) / sum_j(exp(logits[i, j])) |
| tf.nn.log_softmax(logits, name=None) | logsoftmax[i, j] = logits[i, j] - log(sum(exp(logits[i]))) |
| tf.nn.softmax_cross_entropy_with_logits (logits, labels, name=None) |
計算logits和labels的softmax交叉熵 logits, labels必須為相同的shape與數(shù)據(jù)類型 |
| tf.nn.sparse_softmax_cross_entropy_with_logits (logits, labels, name=None) |
計算logits和labels的softmax交叉熵 |
| tf.nn.weighted_cross_entropy_with_logits (logits, targets, pos_weight, name=None) |
與sigmoid_cross_entropy_with_logits()相似， 但給正向樣本損失加了權(quán)重pos_weight |
- 符號嵌入（Embeddings）
| 操作 | 描述 |
|---|---|
| tf.nn.embedding_lookup (params, ids, partition_strategy='mod', name=None, validate_indices=True) |
根據(jù)索引ids查詢embedding列表params中的tensor值 如果len(params) > 1，id將會安照partition_strategy策略進行分割 1、如果partition_strategy為”mod”， id所分配到的位置為p = id % len(params) 比如有13個ids，分為5個位置，那么分配方案為： [[0, 5, 10], [1, 6, 11], [2, 7, 12], [3, 8], [4, 9]] 2、如果partition_strategy為”div”,那么分配方案為： [[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10], [11, 12]] |
| tf.nn.embedding_lookup_sparse(params, sp_ids, sp_weights, partition_strategy='mod', name=None, combiner='mean') |
對給定的ids和權(quán)重查詢embedding 1、sp_ids為一個N x M的稀疏tensor， N為batch大小，M為任意，數(shù)據(jù)類型int64 2、sp_weights的shape與sp_ids的稀疏tensor權(quán)重， 浮點類型，若為None，則權(quán)重為全'1' |
- 循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks）
| 操作 | 描述 |
|---|---|
| tf.nn.rnn(cell, inputs, initial_state=None, dtype=None, sequence_length=None, scope=None) |
基于RNNCell類的實例cell建立循環(huán)神經(jīng)網(wǎng)絡(luò) |
| tf.nn.dynamic_rnn(cell, inputs, sequence_length=None, initial_state=None, dtype=None, parallel_iterations=None, swap_memory=False, time_major=False, scope=None) |
基于RNNCell類的實例cell建立動態(tài)循環(huán)神經(jīng)網(wǎng)絡(luò) 與一般rnn不同的是，該函數(shù)會根據(jù)輸入動態(tài)展開 返回(outputs,state) |
| tf.nn.state_saving_rnn(cell, inputs, state_saver, state_name, sequence_length=None, scope=None) |
可儲存調(diào)試狀態(tài)的RNN網(wǎng)絡(luò) |
| tf.nn.bidirectional_rnn(cell_fw, cell_bw, inputs, initial_state_fw=None, initial_state_bw=None, dtype=None, sequence_length=None, scope=None) |
雙向RNN, 返回一個3元組tuple (outputs, output_state_fw, output_state_bw) |
- 求值網(wǎng)絡(luò)（Evaluation）
| 操作 | 描述 |
|---|---|
| tf.nn.top_k(input, k=1, sorted=True, name=None) | 返回前k大的值及其對應(yīng)的索引 |
| tf.nn.in_top_k(predictions, targets, k, name=None) | 返回判斷是否targets索引的predictions相應(yīng)的值 是否在在predictions前k個位置中， 返回數(shù)據(jù)類型為bool類型，len與predictions同 |
對于有巨大量的多分類與多標簽?zāi)Ｐ停绻褂萌B接softmax將會占用大量的時間與空間資源，所以采用候選采樣方法僅使用一小部分類別與標簽作為監(jiān)督以加速訓練。
| 操作 | 描述 |
|---|---|
| Sampled Loss Functions | |
| tf.nn.nce_loss(weights, biases, inputs, labels, num_sampled, num_classes, num_true=1, sampled_values=None, remove_accidental_hits=False, partition_strategy='mod', name='nce_loss') |
返回noise-contrastive的訓練損失結(jié)果 |
| tf.nn.sampled_softmax_loss(weights, biases, inputs, labels, num_sampled, num_classes, num_true=1, sampled_values=None, remove_accidental_hits=True, partition_strategy='mod', name='sampled_softmax_loss') |
返回sampled softmax的訓練損失 參考- Jean et al., 2014第3部分 |
| Candidate Samplers | |
| tf.nn.uniform_candidate_sampler(true_classes, num_true, num_sampled, unique, range_max, seed=None, name=None) |
通過均勻分布的采樣集合 返回三元tuple 1、sampled_candidates 候選集合。 2、期望的true_classes個數(shù)，為浮點值 3、期望的sampled_candidates個數(shù)，為浮點值 |
| tf.nn.log_uniform_candidate_sampler(true_classes, num_true, num_sampled, unique, range_max, seed=None, name=None) |
通過log均勻分布的采樣集合，返回三元tuple |
| tf.nn.learned_unigram_candidate_sampler (true_classes, num_true, num_sampled, unique, range_max, seed=None, name=None) |
根據(jù)在訓練過程中學習到的分布狀況進行采樣 返回三元tuple |
| tf.nn.fixed_unigram_candidate_sampler(true_classes, num_true, num_sampled, unique, range_max, vocab_file=”, distortion=1.0, num_reserved_ids=0, num_shards=1, shard=0, unigrams=(), seed=None, name=None) |
基于所提供的基本分布進行采樣 |
保存與恢復變量
| 操作 | 描述 |
|---|---|
| 類tf.train.Saver(Saving and Restoring Variables) | |
| tf.train.Saver.__init__(var_list=None, reshape=False, sharded=False, max_to_keep=5, keep_checkpoint_every_n_hours=10000.0, name=None, restore_sequentially=False, saver_def=None, builder=None) |
創(chuàng)建一個存儲器Saver var_list定義需要存儲和恢復的變量 |
| tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True) |
保存變量 |
| tf.train.Saver.restore(sess, save_path) | 恢復變量 |
| tf.train.Saver.last_checkpoints | 列出最近未刪除的checkpoint 文件名 |
| tf.train.Saver.set_last_checkpoints(last_checkpoints) | 設(shè)置checkpoint文件名列表 |
| tf.train.Saver.set_last_checkpoints_with_time(last_checkpoints_with_time) | 設(shè)置checkpoint文件名列表和時間戳 |
到此這篇關(guān)于tensorflow常用函數(shù)API介紹的文章就介紹到這了,更多相關(guān)tensorflow常用函數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
python?使用?with?open()?as?讀寫文件的操作方法
這篇文章主要介紹了python?使用?with?open()as?讀寫文件的操作代碼，寫文件和讀文件是一樣的，唯一區(qū)別是調(diào)用open()函數(shù)時，傳入標識符'w'或者'wb'表示寫文本文件或?qū)懚M制文件,需要的朋友可以參考下2022-11-11
python pandas 解析(讀取、寫入)CSV 文件的操作方法
這篇文章主要介紹了python pandas 解析（讀取、寫入） CSV 文件,本文通過示例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-12-12
最近碰巧需要用到pyecharts,pyecharts庫是一個用于生成echarts圖表的類庫,這篇文章主要給大家介紹了關(guān)于如何在Python中使用pyecharts圖形畫可視化大屏的相關(guān)資料,需要的朋友可以參考下2024-05-05
python實現(xiàn)socket+threading處理多連接的方法
今天小編就為大家分享一篇python實現(xiàn)socket+threading處理多連接的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
問卷星已經(jīng)成為收集問卷的一個很重要的工具,有時可以用來報名參加活動,有時可以用來收集某些領(lǐng)域相關(guān)的情況,下面這篇文章主要給大家介紹了關(guān)于利用Python實現(xiàn)問卷星自動填寫的超詳細教程,需要的朋友可以參考下2023-06-06
這篇文章主要介紹了Python在字典中查找元素的3種方式,字典是另一種可變?nèi)萜髂Ｐ?且可存儲任意類型對象,需要的朋友可以參考下2023-04-04
這篇文章主要介紹了Python中字符串的格式化方法小結(jié),提到了針對Python2.x與3.x版本相異情況下的不同技巧,需要的朋友可以參考下2016-05-05
今天來介紹一個流行的 python庫 ip2geotools，使用它可以確定 IP地址 對應(yīng)的 國家、地區(qū)、城市、緯度和經(jīng)度等，文中通過代碼示例介紹了如何使用python來跟蹤ip地址,需要的朋友可以參考下2023-06-06
這篇文章主要介紹了在pyCharm中下載第三方庫的方法,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-04-04
Django框架會話技術(shù)實例分析【Cookie與Session】
這篇文章主要介紹了Django框架會話技術(shù),結(jié)合實例形式分析了Django框架Cookie與Session相關(guān)使用技巧與注意事項,需要的朋友可以參考下2019-05-05