TensorFlow 1.1 Python API

来源：互联网发布：矩阵范数怎么计算编辑：程序博客网时间：2024/06/04 18:48

TensorFlow 1.1 Python API (一)

Tensor操作

切片与融合

操作描述 tf.slice(input_,begin,size,name=None) 从tensor中提取一部分切片
# ‘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(value, num_or_size_splits, axis=0, num=None, name=’split’) 将tensor切割成subtensor，其中当num_or_size_splits为标量的时候，表示沿着axis将tensor均匀分成若干等分，当num_or_size_splits为tensor的时候，表示将tensor沿着axisa按照num_or_size_splits进行分割
# ‘value’ is a tensor with shape [5, 30]
# Split ‘value’ into 3 tensors with sizes [4, 15, 11] along dimension 1；
split0, split1, split2 = tf.split(value, [4, 15, 11], 1)
tf.shape(split0) ==> [5, 4]
tf.shape(split1) ==> [5, 15]
tf.shape(split2) ==> [5, 11]
# Split ‘value’ into 3 tensors along dimension 1 split0, split1, split2 = tf.split(value, num_or_size_splits=3, axis=1)
tf.shape(split0) ==> [5, 10] tf.pad(tensor,paddings,mode=’CONSTANT’,name=None) 在原有的矩阵上进行填充
# ‘t’ is [[1, 2, 3], [4, 5, 6]].
# ‘paddings’ is [[1, 1,], [2, 2]].
# rank of ‘t’ is 2.
pad(t, paddings, “CONSTANT”) ==> [[0, 0, 0, 0, 0, 0, 0],
　　　　　　　　　　　　　　　　 [0, 0, 1, 2, 3, 0, 0],
　　　　　　　　　　　　　　　　 [0, 0, 4, 5, 6, 0, 0],
　　　　　　　　　　　　　　　　 [0, 0, 0, 0, 0, 0, 0]]
pad(t, paddings, “REFLECT”) ==> [[6, 5, 4, 5, 6, 5, 4],
　　　　　　　　　　　　　　　 [3, 2, 1, 2, 3, 2, 1],
　　　　　　　　　　　　　　　 [6, 5, 4, 5, 6, 5, 4],
　　　　　　　　　　　　　　　 [3, 2, 1, 2, 3, 2, 1]]
pad(t, paddings, “SYMMETRIC”) ==> [[2, 1, 1, 2, 3, 3, 2],
　　　　　　　　　　　　　　　　[2, 1, 1, 2, 3, 3, 2],
　　　　　　　　　　　　　　　　[5, 4, 4, 5, 6, 6, 5],
　　　　　　　　　　　　　　　　[5, 4, 4, 5, 6, 6, 5]] tf.concat(values,axis,name=’concat’) 沿着axis将tensor进行拼接
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6],
　　　　　　　　　　[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9],
　　　　　　　　　　[4, 5, 6, 10, 11, 12]]
# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat([t3, t4], 0)) ==> [4, 3]
tf.shape(tf.concat([t3, t4], 1)) ==> [2, 6] tf.stack(values,axis=0,name=’stack’) 将列表中所有tensor沿着axis进行拼接
# ‘x’ is [1, 4]
# ‘y’ is [2, 5]
# ‘z’ is [3, 6]
stack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] # Pack along first dim.
stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]] tf.reverse(tensor,axis,name=None) 沿着某个axis进行反转
# 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 [3] or ‘dims’ is -1
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]]]]
# ‘dims’ is ‘[1]’ (or ‘dims’ is ‘[-3]’)
reverse(t, dims) ==> [[[[12, 13, 14, 15],
　　　　　　　　　　[16, 17, 18, 19],
　　　　　　　　　　[20, 21, 22, 23]
　　　　　　　　　　[[ 0, 1, 2, 3],
　　　　　　　　　　[ 4, 5, 6, 7],
　　　　　　　　　　[ 8, 9, 10, 11]]]]
# ‘dims’ is ‘[2]’ (or ‘dims’ is ‘[-2]’)
reverse(t, dims) ==> [[[[8, 9, 10, 11],
　　　　　　　　　　[4, 5, 6, 7],
　　　　　　　　　　[0, 1, 2, 3]]
　　　　　　　　　　[[20, 21, 22, 23],
　　　　　　　　　　[16, 17, 18, 19],
　　　　　　　　　　[12, 13, 14, 15]]]] tf.transpose(a,perm=None,name=’transpose’) 将tensor进行转置
# ‘x’ is [[1 2 3]
#　　　[4 5 6]]
tf.transpose(x) ==> [[1 4]
　　　　　　　　[2 5]
　　　　　　　　[3 6]
# ‘x’ is [[[1 2 3]
#　　　[4 5 6]]
#　　　[[7 8 9]
#　　　[10 11 12]]]
tf.transpose(x, perm=[0, 2, 1]) ==> [[[1 4]
　　　　　　　　　　　　　　　[2 5]
　　　　　　　　　　　　　　　[3 6]]
　　　　　　　　　　　　　　　[[7 10]
　　　　　　　　　　　　　　　[8 11]
　　　　　　　　　　　　　　　[9 12]]] tf.one_hot(indices,depth,on_value=None,off_value=None,axis=None, dtype=None,name=None) 返回一个one-hot tensor，在参数indices中的值表示tenosor中该位置的值取on_value，其余的位置取值为off_value。
如果on_value和off_value没有指定，那么on_value默认为1，off_value默认为0。
如果indices的rank为N，则输出的rank为N+1

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)

indices = [[0, 2], [1, -1]]
depth = 3
on_value = 1.0
off_value = 0.0
axis = -1
Then output is [2 x 2 x 3]:
output =
　　　　[
　　　　[1.0, 0.0, 0.0] // one_hot(0)
　　　　[0.0, 0.0, 1.0] // one_hot(2)
　　　　][
　　　　[0.0, 1.0, 0.0] // one_hot(1)
　　　　[0.0, 0.0, 0.0] // one_hot(-1)
　　　　]

indices = [0, 1, 2]
depth = 3
The output will be
output =
　　　　[[1., 0., 0.],
　　　　[0., 1., 0.],
　　　　[0., 0., 1.]] tf.gather(params, indices, validate_indices=None, name=None) 根据indices从params中选出slices聚合成新的tensor

数据类型转换Casting

操作描述 tf.string_to_number(string_tensor,out_type=None,name=None) 字符串转化为数值 tf.to_double(x,name=’ToDouble’) 转化为64位浮点类型-float64 tf.to_float(x,name=’ToFloat’) 转化为32位浮点类型-float32 tf.to_int32(x,name=’ToInt32’) 转化为32位整型-int32 tf.to_int64(x,name=’ToInt64’) 转化为64位整型-int64 tf.cast(x,dtype,name=None) 将张量转换为指定的数据类型
# tensor a is [1.8, 2.2], dtype=tf.float
tf.cast(a, tf.int32) ==> [1, 2], dtype=tf.int32

shape操作

操作描述 tf.shape(input,name=None,out_type=tf.int32) 返回tensor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,out_type=tf.int32) 返回tensor中元素的个数
# ‘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，tensor的rank和矩阵的rank不同，它是指唯一表示tensor中所有元素所需的索引个个数，即常见的“ndims”，“degree”，“order”
# ‘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) 将tensor转换成指定的shape
# 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]]
# tensor ‘t’ is [[[1, 1, 1], [2, 2, 2]],
　　　　　　[[3, 3, 3], [4, 4, 4]],
　　　　　　[[5, 5, 5], [6, 6, 6]]]
# tensor ‘t’ has shape [3, 2, 3] pass ‘[-1]’ to flatten ‘t’,
reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6] tf.stack(values,axis=0,name=’stack’) 将values中的tensor沿着axis堆叠起来生成一个高纬度的tensor，

# ‘x’ is [1, 4]
# ‘y’ is [2, 5]
# ‘z’ is [3, 6]
stack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] # Pack along first dim.
stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]] tf.squeeze(input,axis=None,name=None,squeeze_dims=None) 将tensor中size为1的维度移除
# ‘t’ is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t)) ==> [2, 3];
# ‘t’ is a tensor of shape [1, 2, 1, 3, 1, 1]
shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1] tf.expand_dims(input,axis=None,name=None,dim=None) 在tensor中axis中插入size为1的一个维度
# ‘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] tf.meshgrid(*args, **kwargs) 根据向量创建矩阵
#Calling X, Y = meshgrid(x, y) with the tensors
　　　x = [1, 2, 3]
　　　y = [4, 5, 6]
results in
　　　X = [[1, 1, 1],
　　　　　[2, 2, 2],
　　　　　[3, 3, 3]]
　　　Y = [[4, 5, 6],
　　　　　[4, 5, 6],
　　　　　[4, 5, 6]]，
其中生成矩阵X的列向量为x的复制，生成矩阵Y的行向量为y的复制

阅读全文

1 0