tf.nn.softmax

Softmax的含義：將一個(gè)N*1的向量歸一化為（0，1）之間的值，由于其中采用指數(shù)運(yùn)算，使得向量中數(shù)值較大的量特征更加明顯。
Softmax輸出的就是該樣本屬于各個(gè)類的概率。具體的原理就不詳述了。
參考博客：https://blog.csdn.net/wgj99991111/article/details/83586508
圖片來(lái)源

tf.argmax

tf.argmax 本質(zhì)上就是numpy.argmax,因?yàn)閠ensorflow2.0使用的是numpy的API。argmax中一般有兩個(gè)參數(shù)，一般有兩種形式：argmax(array,1)和argmax(array,0)。那么這兩種形式有什么區(qū)別呢？
argmax中第二個(gè)參數(shù)也就是axis，等于1或者等于0的時(shí)候，所表達(dá)的含義是不同的。具體看例子：

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]]) np.argmax(test, 0)　　　＃輸出：array([3, 3, 1] np.argmax(test, 1)　　　＃輸出：array([2, 2, 0, 0]

當(dāng)axis=0的時(shí)候，可以近似的看成對(duì)array的列進(jìn)行比較，返回的是第i列最大位置的索引。

test[0] = array([1, 2, 3]) test[1] = array([2, 3, 4]) test[2] = array([5, 4, 3]) test[3] = array([8, 7, 2]) # output : [3, 3, 1]

當(dāng)axis=1的時(shí)候，可以近似的看成對(duì)array的行進(jìn)行比較，返回的是第i行最大位置的索引。

test[0] = array([1, 2, 3]) #2 test[1] = array([2, 3, 4]) #2 test[2] = array([5, 4, 3]) #0 test[3] = array([8, 7, 2]) #0

tf.cast

tf.cast()函數(shù)的作用是執(zhí)行 tensorflow 中張量數(shù)據(jù)類型轉(zhuǎn)換，比如讀入的圖片如果是int8類型的，一般在要在訓(xùn)練前把圖像的數(shù)據(jù)格式轉(zhuǎn)換為float32。
cast函數(shù)的定義為：cast(x, dtype, name=None)
其中：
x代表輸入的數(shù)據(jù)，也就是待轉(zhuǎn)換的數(shù)據(jù)。
dtype代表目標(biāo)數(shù)據(jù)類型。
name代表可選參數(shù)，定義操作的名稱。

prediction = tf.cast(x=prediction,dtype=tf.int32)#將x轉(zhuǎn)換成int32類型

tf.equal

tf.equal()用法：equal(x, y, name=None)
equal，相等的意思。顧名思義，就是判斷，x, y 是不是相等，它的判斷方法不是整體判斷，而是逐個(gè)元素進(jìn)行判斷，如果相等就是True，不相等，就是False。由于是逐個(gè)元素判斷，所以x，y 的維度要一致。

import tensorflow as tf a = [[1,2,3],[4,5,6]] b = [[1,0,3],[1,5,1]] with tf.Session() as sess:print(sess.run(tf.equal(a,b))) [[ True False True][False True False]]

tf.reduce_sum

tf.reduce_sum函數(shù)是用來(lái)求和的，可以通過(guò)調(diào)整 axis =0,1 的維度來(lái)控制求和維度。
具體操作如下：

x=tf.constant([[1,1,1],[1,1,1]]) print(tf.reduce_sum(x)) print(tf.reduce_sum(x,0)) print(tf.reduce_sum(x,1)) print(tf.reduce_sum(x,1,True)) print(tf.reduce_sum(x,[0,1]))

輸出如下：

tf.Tensor(6, shape=(), dtype=int32) tf.Tensor([2 2 2], shape=(3,), dtype=int32) tf.Tensor([3 3], shape=(2,), dtype=int32) tf.Tensor( [[3][3]], shape=(2, 1), dtype=int32) tf.Tensor(6, shape=(), dtype=int32)

tf.Variable

tf.Variable(a,b),參數(shù)a是初始化參數(shù)，b是可自定義的變量名稱,可以理解為將b這個(gè)變量初始化為a。
具體操作如下：

import tensorflow as tfv1=tf.Variable(tf.random.normal(shape=[2,5],mean=100),name='v1') v2=tf.Variable(tf.constant(78),name='v2') v3=tf.Variable(tf.ones(shape=[3,5]),name='v3')print(v1) print(v2) print(v3)

結(jié)果如下：

<tf.Variable 'v1:0' shape=(2, 5) dtype=float32, numpy= array([[ 99.9834 , 100.19699 , 100.11848 , 98.857735, 98.71112 ],[100.82833 , 99.306725, 99.808426, 100.53035 , 100.47631 ]],dtype=float32)> <tf.Variable 'v2:0' shape=() dtype=int32, numpy=78> <tf.Variable 'v3:0' shape=(3, 5) dtype=float32, numpy= array([[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.]], dtype=float32)>

tf.constant

這個(gè)函數(shù)就是tensorflow用來(lái)創(chuàng)建變量的函數(shù)，在創(chuàng)建的時(shí)候可以規(guī)定變量的shape。constant函數(shù)的API原型規(guī)定如下：

tf.constant(value,dtype=None,shape=None,name='Const',verify_shape=False )

具體的請(qǐng)參考這個(gè)博客

tf.convert_to_tensor

顧名思義這是一個(gè)將numpy或者list類型轉(zhuǎn)換為tensor的函數(shù)，具體用法如下：

tf.fill

創(chuàng)建一個(gè)維度為dims，值為value的tensor對(duì)象。該操作會(huì)創(chuàng)建一個(gè)維度為dims的tensor對(duì)象，并將其值設(shè)置為value，該tensor對(duì)象中的值類型和value一致。

tf.gather

tf.gather(a,b,c=0 ),從a的c維根據(jù)b的參數(shù)值獲取切片.這種方法適用于索引混亂排列的情況
圖片來(lái)源

下圖中a的維度為[4,35,8]

tf.gather_nd

tf.gather_nd(params,indices,name=None )

按照indices的格式從params中抽取切片（合并為一個(gè)Tensor）

tf.boolean_mask

函數(shù)原型：tf.boolean_mask(tensor,mask,name=‘boolean_mask’,axis=None)
跟numpy里面的tensor[mask]具有相同的功能。

參數(shù)：tensor是N維度的tensor，mask是K維度的，注意K小于等于N，name可選項(xiàng)也就是這個(gè)操作的名字，axis是一個(gè)0維度的int型tensor，表示的是從參數(shù)tensor的哪個(gè)axis開(kāi)始mask，默認(rèn)的情況下，axis=0表示從第一維度進(jìn)行mask，因此K+axis小于等于N。

返回的是N-K+1維度的tensor，也就是mask為T(mén)rue的地方保存下來(lái)。

一般來(lái)說(shuō)，0<dim(mask)=K<=dim(tensor),mask的大小必須匹配參數(shù)tensor的shape的前K維度。

tf.concat

一篇講解超詳細(xì)的博客

tf.stack

tf.concat是沿某一維度拼接shape相同的張量，拼接生成的新張量維度不會(huì)增加。而tf.stack是在新的維度上拼接，拼接后維度加1.對(duì)于做tf.stack的兩個(gè)tensor，維度必須全都一樣；而tf.concat就沒(méi)有這樣的限制。

tf.split

tf.split()函數(shù)的API如下所示：

tf.split(value,num_or_size_splits,axis=0,num=None,name='split' )

其中函參數(shù)的具體含義為：
value：準(zhǔn)備切分的張量
num_or_size_splits：準(zhǔn)備切成幾份
axis : 準(zhǔn)備在第幾個(gè)維度上進(jìn)行切割
其中分割方式分為兩種

如果num_or_size_splits 傳入的 是一個(gè)整數(shù)，那直接在axis=D這個(gè)維度上把張量平均切分成幾個(gè)小張量

如果num_or_size_splits 傳入的是一個(gè)向量（這里向量各個(gè)元素的和要跟原本這個(gè)維度的數(shù)值相等）就根據(jù)這個(gè)向量有幾個(gè)元素分為幾項(xiàng)。

總結(jié)

以上是生活随笔為你收集整理的python中tensorflow的函数简单用法（未完）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。