当前位置：文档之家 › tensorflow常用函数介绍

tensorflow常用函数介绍

  • 格式：docx
  • 大小：55.00 KB
  • 文档页数：42

tensorflow常用函数介绍

tf函数

TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU。一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测。如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作.

并行计算能让代价大的算法计算加速执行，TensorFlow也在实现上对复杂操作进行了有效的改进。大部分核相关的操作都是设备相关的实现，比如GPU。下面是一些重要的操作/核：

• 1

• 2

• 3

操作组 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

操作组 操作

Checkpointing Save, Restore

Queues and syncronizations Enqueue, Dequeue, MutexAcquire, MutexRelease

Flow control Merge, Switch, Enter, Leave, NextIteration

TensorFlow的算术操作如下：

操作 描述

tf.add(x, y, name=None) 求和

tf.sub(x, y, name=None) 减法

tf.mul(x, y, name=None) 乘法

tf.div(x, y, name=None) 除法

tf.mod(x, y, name=None) 取模

操作 描述

tf.abs(x, name=None) 求绝对值

tf.neg(x, name=None) 取负 (y = -x).

tf.sign(x, name=None) 返回符号 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) 计算平方 (y = x * x = x^2).

tf.round(x, name=None) 舍入最接近的整数

# ‘a’ 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) 开根号 (y = \sqrt{x} = x^{1/2}).

tf.pow(x, y, name=None) 幂次方

# tensor ‘x’ is [[2, 2], [3, 3]]

操作 描述

# tensor ‘y’ is [[8, 16], [2, 3]]

tf.pow(x, y) ==> [[256, 65536], [9, 27]]

tf.exp(x, name=None) 计算e的次方

tf.log(x, name=None) 计算log，一个输入计算e的ln，两输入以第二输入为底

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) 三角函数cosine

tf.sin(x, name=None) 三角函数sine

tf.tan(x, name=None) 三角函数tan

tf.atan(x, name=None) 三角函数ctan

张量操作Tensor Transformations

• 数据类型转换Casting

操作 描述

tf.string_to_number

(string_tensor, out_type=None, name=None) 字符串转为数字

tf.to_double(x, name=’ToDouble’) 转为64位浮点类型–float64

tf.to_float(x, name=’ToFloat’) 转为32位浮点类型–float32

tf.to_int32(x, name=’ToInt32’) 转为32位整型–int32

tf.to_int64(x, name=’ToInt64’) 转为64位整型–int64

tf.cast(x, dtype, name=None) 将x或者x.values转换为dtype

# tensor a is [1.8, 2.2], dtype=tf.float

操作 描述

tf.cast(a, tf.int32) ==> [1, 2] # dtype=tf.int32

• 形状操作Shapes and Shaping

操作 描述

tf.shape(input, name=None) 返回数据的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) 返回数据的元素数量

# ‘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不同于矩阵的rank，

tensor的rank表示一个tensor需要的索引数目来唯一表示任何一个元素

操作 描述

也就是通常所说的 “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) 改变tensor的形状

# 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],表示在该维度打平至一维

# -1 将自动推导得为 9:

操作 描述

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) 插入维度1进入一个tensor中

#该操作要求-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()

• 切片与合并（Slicing and Joining）

操作 描述

tf.slice(input_, begin, size, name=None) 对tensor进行切片操作

操作 描述

其中size[i] = input.dim_size(i) - begin[i]

该操作要求 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]]]

操作 描述

tf.split(split_dim, num_split, value,

name=’split’) 沿着某一维度将tensor分离为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’) 沿着某一维度连结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]]

如果想沿着tensor一新轴连结打包,那么可以：

合集下载

dropout使用方法

dropout使用方法

- 1 - dropout使用方法

dropout是一种常用的正则化技术，可以防止神经网络过拟合。它基于在训练期间随机关闭一些神经元的思想，以减少不同神经元之间的依赖性，从而提高模型的泛化能力。

1. 在Tensorflow中使用dropout

在Tensorflow中，我们可以通过`tf.nn.dropout()`函数实现dropout操作。该函数的输入参数包括输入数据（一般是前一层的输出）、dropout概率（即关闭神经元的比例）和一个可选的随机种子。具体使用方法如下：

```python

dropout_rate = 0.5 # dropout概率

x = tf.placeholder(tf.float32, [None, input_dim])

keep_prob = tf.placeholder(tf.float32) # dropout保留比例

hidden = tf.nn.relu(tf.matmul(x, w1) + b1)

hidden_dropout = tf.nn.dropout(hidden, keep_prob)

output = tf.matmul(hidden_dropout, w2) + b2

# 在训练时，需要传入dropout保留比例

sess.run(train_step, feed_dict={x: batch_x, y: batch_y,

keep_prob: 1 - dropout_rate})

# 在测试时，不需要应用dropout

accuracy = sess.run(accuracy_op, feed_dict={x: test_x, - 2 - y: test_y, keep_prob: 1.0})

```

2. 在Keras中使用dropout

input_from_feature_columns 详解 -回复

input_from_feature_columns 详解 -回复

input_from_feature_columns 详解 -回复

input_from_feature_columns是TF1和TF2中定义特征列的一个函数。在深度学习中，特征列负责将原始数据转换为模型可用的格式。该函数的作用是为Estimator模型准备好输入的特征列。

特征列是模型训练的关键组成部分，它主要负责将原始数据转换为TensorFlow模型能够处理的输入格式。通过特征列，我们可以定义特征的数据类型和形状，以及对特征进行预处理和转换。在实践中，特征列可用于处理各种类型的数据，如数值型特征、类别型特征、文本型特征和图像型特征等。

下面将逐步讲解input_from_feature_columns函数的使用方法和参数解释：

1. 引入TensorFlow库和导入数据

首先，我们需要导入TensorFlow库，以及导入需要进行训练和测试的数据。通常的做法是将数据分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型的性能。

2. 定义特征列

接下来，我们需要定义特征列。特征列的定义可以根据不同的数据类型进行区分。常用的特征列包括： - tf.feature_column.numeric_column：用于处理数值型特征，可以定义特征的数据类型和形状。

- tf.feature_column.bucketized_column：用于将数值型特征分桶处理，可以将连续型特征转换为离散型特征。

- tf.feature_column.categorical_column_with_vocabulary_list：用于处理类别型特征，可以将特征值映射为整数编码。

- tf.feature_column.embedding_column：用于处理文本型特征，可以将文本转换为高维向量。

等等。

3. 创建输入函数

在使用特征列之前，我们需要先创建一个输入函数，用于将原始数据转换为特征列可用的输入格式。输入函数通常包括对数据进行预处理和转换的步骤，例如对数值型特征进行归一化处理，对文本型特征进行分词等。

【TensorFlow】tf.concat的用法

【TensorFlow】tf.concat的用法

【TensorFlow】tf.concat的⽤法

tf.concat是连接两个矩阵的操作

tf.concat(concat_dim, values, name='concat')

除去name参数⽤以指定该操作的name，与⽅法有关的⼀共两个参数：

第⼀个参数concat_dim：必须是⼀个数，表明在哪⼀维上连接 如果concat_dim是0，那么在某⼀个shape的第⼀个维度上连，对应到实际，就是叠放到列上[python]

1. t1 = [[1, 2, 3], [4, 5, 6]] 2. t2 = [[7, 8, 9], [10, 11, 12]] 3. tf.concat(0, [t1, t2]) == > [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]

如果concat_dim是1，那么在某⼀个shape的第⼆个维度上连

[python]

1. t1 = [[1, 2, 3], [4, 5, 6]] 2. t2 = [[7, 8, 9], [10, 11, 12]] 3. tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12

如果有更⾼维，最后连接的依然是指定那个维：

values[i].shape = [D0, D1, ... Dconcat_dim(i), ...Dn]连接后就是：[D0, D1, ... Rconcat_dim, ...Dn]

[python]

1. # tensor t3 with shape [2, 3] 2. # tensor t4 with shape [2, 3] 3. tf.shape(tf.concat(0, [t3, t4])) ==> [4, 3] 4. tf.shape(tf.concat(1, [t3, t4])) ==> [2, 6]

tf.data.tfrecorddataset的map函数

tf.data.tfrecorddataset的map函数

第 1 页 共 3 页 tf.data.tfrecorddataset的map函数

tf.data 是 TensorFlow 中用于处理数据的一种重要模块，而

tfrecorddataset 是 tf.data 中的一个类，用于处理 tfrecord 数据集。在机器学习和深度学习中，数据集的加载和处理是非常关键的一步，而 tfrecord 是用于存储和加载序列化数据的格式，因此

tfrecorddataset 在实际应用中非常常用。

map 函数是 tf.data.Dataset 类中的一个方法，用于对每个元素应用一个函数，并返回一个新的数据集。这个函数可以是 Python 中的一个基本函数，也可以是一个更复杂的 lambda 函数。对于

tfrecorddataset 来说，map 函数可以非常方便地对数据进行预处理或特征提取。

下面是一个使用 tfrecorddataset 的 map 函数的示例代码：

首先，我们需要导入必要的模块：

```python

import tensorflow as tf

```

接着，我们使用 tfrecorddataset 加载数据集：

```python

dataset = tf.data.TFRecordDataset(filenames)

```

这里 filenames 是包含 tfrecord 文件路径的列表。

然后，我们可以使用 map 函数对数据进行处理。假设我们要对每个记录应用一个简单的 lambda 函数，将字符串转换为小写：

```python 第 2 页 共 3 页 dataset = dataset.map(lambda x:

tf.strings.to_number(tf.lower(x)))

```

这里的 lambda 函数将每个字符串转换为小写，并使用

`tf.lower()` 将字符串转换为数字类型。

我们还可以使用更复杂的 lambda 函数进行更高级的处理。例如，假设我们要对每个记录应用一个函数，将字符串中的单词数量计算出来：