1.tf.where(condition,x=None,y=None,name=None)

作用：該函數的作用是根據condition,返回相對應的x或y,返回值是一個tf.bool類型的Tensor。
若condition=True,則返回對應X的值，False則返回對應的Y值。

import tensorflow as tf sess=tf.Session() A =tf.where(False,123,321) print(sess.run(A)) #321B=tf.where(True,123,321) print(sess.run(B)) # 123

2.tf.placeholder(dtype,shape=None,name=None)

參數：

dtype：數據類型。常用的是tf.float32,tf.float64等數值類型

shape：數據形狀。默認是None，就是一維值，也可以是多維（比如[2,3], [None, 3]表示列是3，行不定）

name：名稱

為什么要用placeholder?

• Tensorflow的設計理念稱之為計算流圖，在編寫程序時，首先構筑整個系統的graph，代碼并不會直接生效，這一點和python的其他數值計算庫（如Numpy等）不同，graph為靜態的。然后，在實際的運行時，啟動一個session，程序才會真正的運行。這樣做的好處就是：避免反復地切換底層程序實際運行的上下文，tensorflow幫你優化整個系統的代碼。我們知道，很多python程序的底層為C語言或者其他語言，執行一行腳本，就要切換一次，是有成本的，tensorflow通過計算流圖的方式，幫你優化整個session需要執行的代碼，還是很有優勢的。
• 所以placeholder()函數是在神經網絡構建graph的時候在模型中的占位，此時并沒有把要輸入的數據傳入模型，它只會分配必要的內存。等建立session，在會話中，運行模型的時候通過feed_dict()函數向占位符喂入數據。

import tensorflow as tf import numpy as npinput1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32)output = tf.multiply(input1, input2)with tf.Session() as sess:print(sess.run(output, feed_dict = {input1:[3.], input2: [4.]}))

激活函數：

激勵函數主要是為計算圖歸一化返回結果而引進的非線性部分。激勵函數位于tensorflow的nn庫（neural network， nn)。https://www.jianshu.com/p/55a47b1720ba

激活函數定義備注

tf.nn.relu()	max(0, x)	大于零取原值，小于零取零
tf.nn.elu()		大于等于0的值取原值，小于0的值按照公式計算，a取值為1

3.tf.nn.relu(features, name = None)

作用： 計算激活函數relu,即 max(0,features) ，大于零取原值，小于零取零。

import tensorflow as tfa = tf.constant([-1.0, 2.0]) with tf.Session() as sess:b = tf.nn.relu(a)print sess.run(b) #輸出的結果是：[0. 2.]

4.tf.nn.elu(x)

elu函數

import tensorflow as tfinput=tf.constant([0,-1,2,-3],dtype=tf.float32) output=tf.nn.elu(input)with tf.Session() as sess:print(sess.run(input)) #[ 0. -1. 2. -3.]print(sess.run(output)) #[ 0. -0.63212055 2. -0.95021296]sess.close()

按照公式上面大于等于0的值返回原值，小于0的值按照公式計算：
e = 2.718281828
-1： 1/2.718281828-1 = -0.6321205587664327
-3：1/(2.7182818282.7182818282.718281828)-1 =-0.9502129316069129

總結

以上是生活随笔為你收集整理的tensorflow函数方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。