TensorFlow — 相关 API

TensorFlow相关函数

1.TensorFlow_normal

truncated_normal(    shape,    mean=0.0,    stddev=1.0,    dtype=tf.float32,    seed=None,    name=None)

功能说明

产生截断正太分布随机数，取值范围为

[mean - 2 * stddev, mean + 2 * stddev]。

参数列表

* 参数名* 必选 类型 * 说明* shape 是 1维整型张量或array 输出张量的纬度 mean 否 0维张量或数值 均值 stddev 否 0维张量或数值 标准差 dtype 否 dtype 输出类型 seed 否 数值 随机种子，若seed赋值，每次产生相同随机数 name 否 string 运算名称

示例代码

#!/usr/bin/python# truncated_normal.pyimport tensorflow as tfinitial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)print tf.Session().run(initial)

2.tf.constant

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

功能说明

根据value的值生成一个shape纬度的常量张量

参数列表

* 参数名* 必选 类型 * 说明* value 是 常量数值或者list 输出张量的值 dtype 否 dtype 输出张量元素类型 shape 否 1维整形张量或array 输出张量的维度 name 否 string 张量名称 verify_shape 否 Boolean 检测shape是否和value的 shape一致，若为 Fasle，不一致时，会用最后一个元素将shape补全

示例代码

#!/usr/bin/python# constant.pyimport tensorflow as tfimport numpy as npa = tf.constant([1,2,3,4,5,6],shape=[2,3])b = tf.constant(-1,shape=[3,2])c = tf.matmul(a,b)e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])g = tf.matmul(e,f)with tf.Session() as sess:    print sess.run(a)    print ("##################################")    print sess.run(b)    print ("##################################")    print sess.run(c)    print ("##################################")    print sess.run(e)    print ("##################################")    print sess.run(f)    print ("##################################")    print sess.run(g)

执行结果

• a: 2x3 维张量；
• b: 3x2 维张量；
• c: 2x2 维张量；
• e: 2x2x3 维张量；
• f: 2x3x2 维张量；
• g: 2x2x2 维张量。

3.tf.placeholder

placeholder(    dtype,    shape=None,    name=None)

功能说明

是一种占位符，在执行时候需要为其提供数据

参数列表

* 参数名* 必选 类型 * 说明* dtype 是 dtype 占位符数据类型 shape 否 1 维整形张量或 array 占位符维度 name 否 string 占位符名称

示例代码

#!/usr/bin/pythonimport tensorflow as tfimport numpy as npx = tf.placeholder(tf.float32,[None,10])y = tf.matmul(x,x)with tf.Session() as sess:    rand_array = np.random.rand(10,10)    print sess.run(y,feed_dict={x:rand_array})

4.tf.nn.bias_add

bias_add(    value,    bias,    data_format=None,    name=None)

功能说明

将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。

参数列表

* 参数名* 必选 类型 * 说明* value 是 张量 数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128 bias 是 1维张量 维度必须和value最后一维维度相等 data_format 否 string 数据格式，支持’NHWC’和’NCHW’ name 否 string 运算名称

示例代码

#!/usr/bin/pythonimport tensorflow as tfimport numpy as npa = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])b = tf.constant([2.0,1.0])c = tf.constant([1.0])sess = tf.Session()print sess.run(tf.nn.bias_add(a, b)) #print sess.run(tf.nn.bias_add(a,c)) errorprint ("##################################")print sess.run(tf.add(a, b))print ("##################################")print sess.run(tf.add(a, c))

5.tf.reduce_mean

reduce_mean(    input_tensor,    axis=None,    keep_dims=False,    name=None,    reduction_indices=None)

功能说明

计算张量 input_tensor 平均值

参数列表

* 参数名* 必选 类型 * 说明* input_tensor 是 张量 输入待求平均值的张量 axis 否 None、0、1 None：全局求平均值；0：求每一列平均值；1：求每一行平均值 keep_dims 否 Boolean 保留原来的维度，降为 1 name 否 string 运算名称 reduction_indices 否 None 和axis等价，被弃用

示例代码

#!/usr/bin/pythonimport tensorflow as tfimport numpy as npinitial = [[1.,1.],[2.,2.]]x = tf.Variable(initial,dtype=tf.float32)init_op = tf.global_variables_initializer()with tf.Session() as sess:    sess.run(init_op)    print sess.run(tf.reduce_mean(x))    print sess.run(tf.reduce_mean(x,0)) #Column    print sess.run(tf.reduce_mean(x,1)) #row

执行结果：

1.5[ 1.5  1.5][ 1.  2.]

6.tf.squared_difference

squared_difference(    x,    y,    name=None)

功能说明

计算张量 x、y 对应元素差平方

参数说明

* 参数名* 必选 类型 * 说明* x 是 张量 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型 y 是 张量 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型 name 否 string 运算名称

示例代码

#!/usr/bin/pythonimport tensorflow as tfimport numpy as npinitial_x = [[1.,1.],[2.,2.]]x = tf.Variable(initial_x,dtype=tf.float32)initial_y = [[3.,3.],[4.,4.]]y = tf.Variable(initial_y,dtype=tf.float32)diff = tf.squared_difference(x,y)init_op = tf.global_variables_initializer()with tf.Session() as sess:    sess.run(init_op)    print sess.run(diff)

执行结果

[[ 4.  4.] [ 4.  4.]]

7.tf.square

square(    x,    name=None)

功能说明

计算张量对应元素平方

参数列表

* 参数名* 必选 类型 * 说明* x 是 张量 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型 name 否 string 运算名称

示例代码

#!/usr/bin/pythonimport tensorflow as tfimport numpy as npinitial_x = [[1.,1.],[2.,2.]]x = tf.Variable(initial_x,dtype=tf.float32)x2 = tf.square(x)init_op = tf.global_variables_initializer()with tf.Session() as sess:    sess.run(init_op)    print sess.run(x2)

执行结果

[[ 1.  1.] [ 4.  4.]]

TensorFlow相关类

tf.Variable

__init__(    initial_value=None,    trainable=True,    collections=None,    validate_shape=True,    caching_device=None,    name=None,    variable_def=None,    dtype=None,    expected_shape=None,    import_scope=None)

功能说明

维护图在执行过程中的状态信息，例如神经网络权重值的变化。

参数列表

* 参数名* 类型 * 说明* initial_value 张量 Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False trainable Boolean 是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取） collections Graph collections 全局存储，默认是 GraphKeys.GLOBAL_VARIABLES validate_shape Boolean 是否允许被未知维度的 initial_value 初始化 caching_device string 指明哪个device用来缓存变量 name string 变量名 dtype dtype 如果被设置，初始化的值就会按照这个类型初始化 expected_shape TensorShape 要是设置了，那么初始的值会是这种维度

示例代码

#!/usr/bin/pythonimport tensorflow as tfinitial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)W=tf.Variable(initial)list = [[1.,1.],[2.,2.]]X = tf.Variable(list,dtype=tf.float32)init_op = tf.global_variables_initializer()with tf.Session() as sess:    sess.run(init_op)    print ("##################(1)################")    print sess.run(W)    print ("##################(2)################")    print sess.run(W[:2,:2])    op = W[:2,:2].assign(22.*tf.ones((2,2)))    print ("###################(3)###############")    print sess.run(op)    print ("###################(4)###############")    print (W.eval(sess)) #computes and returns the value of this variable    print ("####################(5)##############")    print (W.eval())  #Usage with the default session    print ("#####################(6)#############")    print W.dtype    print sess.run(W.initial_value)    print sess.run(W.op)    print W.shape    print ("###################(7)###############")    print sess.run(X)

点这里TensorFlow中文社区