TensorFlow基础知识点（六）/矩阵基本操作

import tensorflow as tf# 1.1矩阵操作sess = tf.InteractiveSession()x = tf.ones([2, 3], "float32")print("tf.ones():", sess.run(x))tensor = [[1, 2, 3], [4, 5, 6]]x = tf.ones_like(tensor)print("ones_like给定的tensor类型大小一致的tensor，其所有元素为1和0", sess.run(x))print("创建一个形状大小为shape的tensor，其初始值为value", sess.run(tf.fill([2, 3], 2)))"""tf.constant(value,dtype=None,shape=None,name=’Const’)创建一个常量tensor，按照给出value来赋值，可以用shape来指定其形状。value可以是一个数，也可以是一个list。如果是一个数，那么这个常亮中所有值的按该数来赋值。如果是list,那么len(value)一定要小于等于shape展开后的长度。赋值时，先将value中的值逐个存入。不够的部分，则全部存入value的最后一个值。"""a = tf.constant(2, shape=[2])b = tf.constant(2, shape=[2, 2])c = tf.constant([1, 2, 3], shape=[6])d = tf.constant([1, 2, 3], shape=[3, 2])print("constant的常量：", sess.run(a))print("constant的常量：", sess.run(b))print("constant的常量：", sess.run(c))print("constant的常量：", sess.run(d))"""f.random_normal | tf.truncated_normal | tf.random_uniformtf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)这几个都是用于生成随机数tensor的。尺寸是shaperandom_normal: 正太分布随机数，均值mean,标准差stddevtruncated_normal:截断正态分布随机数，均值mean,标准差stddev,不过只保留[mean-2*stddev,mean+2*stddev]范围内的随机数random_uniform:均匀分布随机数，范围为[minval,maxval]"""x = tf.random_normal(shape=[1, 5], mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)print("打印正太分布随机数：", sess.run(x))x = tf.truncated_normal(shape=[1, 5], mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)print("截断正态分布随机数:[mean-2*stddev,mean+2*stddev]", sess.run(x))x = tf.random_uniform(shape=[1, 5], minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)print("均匀分布随机数:[minval,maxval]", sess.run(x))# 1.2 矩阵变换labels = [1, 2, 3]shape = tf.shape(labels)print(shape)print("返回张量的形状：", sess.run(shape))"""tf.expand_dims(Tensor, dim)为张量+1维。官网的例子：’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]"""labels = [1, 2, 3]x = tf.expand_dims(labels, 0)print("为张量+1维，但是X执行的维度维0,则不更改", sess.run(x))x = tf.expand_dims(labels, 1)print("为张量+1维，X执行的维度维1,则增加一维度", sess.run(x))x = tf.expand_dims(labels, -1)print("为张量+1维，但是X执行的维度维-1,则不更改", sess.run(x))"""tf.pack(values, axis=0, name=”pack”)Packs a list of rank-R tensors into one rank-(R+1) tensor将一个R维张量列表沿着axis轴组合成一个R+1维的张量。"""# x = [1, 4]# y = [2, 5]# z = [3, 6]# a = tf.pack([x, y, z])# b = tf.pack([x, y, z], axis=1)## print(sess.run(a))# print(sess.run(b))"""tf.concattf.concat(concat_dim, values, name=”concat”)Concatenates tensors along one dimension.将张量沿着指定维数拼接起来。个人感觉跟前面的pack用法类似"""t1 = [[1, 2, 3], [4, 5, 6]]t2 = [[7, 8, 9], [10, 11, 12]]print("tf.concat 将张量沿着指定维数进行拼接起来", sess.run(tf.concat([t1, t2], 0)))print("tf.concat 将张量沿着指定维数进行拼接起来", sess.run(tf.concat([t1, t2], 1)))"""tf.sparse_to_dense稀疏矩阵转密集矩阵定义为：def sparse_to_dense(sparse_indices,                    output_shape,                    sparse_values,                    default_value=0,                    validate_indices=True,                    name=None):几个参数的含义：sparse_indices: 元素的坐标[[0,0],[1,2]] 表示(0,0)，和(1,2)处有值output_shape: 得到的密集矩阵的shapesparse_values: sparse_indices坐标表示的点的值，可以是0D或者1D张量。若0D，则所有稀疏值都一样。若是1D，则len(sparse_values)应该等于len(sparse_indices)default_values: 缺省点的默认值""""""tf.random_shuffletf.random_shuffle(value,seed=None,name=None)沿着value的第一维进行随机重新排列"""a = [[1, 2], [3, 4], [5, 6]]print("沿着value的第一位进行随机的重新排列：", sess.run(tf.random_shuffle(a)))"""tf.argmax | tf.argmintf.argmax(input=tensor,dimention=axis)找到给定的张量tensor中在指定轴axis上的最大值/最小值的位置。"""a = tf.get_variable(name="a", shape=[3, 4], dtype=tf.float32,                    initializer=tf.random_uniform_initializer(minval=-1, maxval=1))b = tf.argmax(input=a, dimension=0)c = tf.argmax(input=a, dimension=1)sess.run(tf.global_variables_initializer())print("默认的初始化矩阵", sess.run(a))print("0维度的最大值的位置", sess.run(b))print("1维度的最大值的位置", sess.run(c))"""tf.equaltf.equal(x, y, name=None):判断两个tensor是否每个元素都相等。返回一个格式为bool的tensor""""""tf.castcast(x, dtype, name=None)将x的数据格式转化成dtype.例如，原来x的数据格式是bool，那么将其转化成float以后，就能够将其转化成0和1的序列。反之也可以"""a = tf.Variable([1, 0, 0, 1, 1])b = tf.cast(a, dtype=tf.bool)sess.run(tf.global_variables_initializer())print("float的数值转化维Bool的类型：", sess.run(b))"""tf.matmul用来做矩阵乘法。若a为l*m的矩阵，b为m*n的矩阵，那么通过tf.matmul(a,b) 结果就会得到一个l*n的矩阵不过这个函数还提供了很多额外的功能。我们来看下函数的定义：matmul(a, b,           transpose_a=False, transpose_b=False,           a_is_sparse=False, b_is_sparse=False,           name=None):可以看到还提供了transpose和is_sparse的选项。如果对应的transpose项为True，例如transpose_a=True,那么a在参与运算之前就会先转置一下。而如果a_is_sparse=True,那么a会被当做稀疏矩阵来参与运算。""""""tf.reshapereshape(tensor, shape, name=None)顾名思义，就是将tensor按照新的shape重新排列。一般来说，shape有三种用法：如果 shape=[-1], 表示要将tensor展开成一个list如果 shape=[a,b,c,…] 其中每个a,b,c,..均>0，那么就是常规用法如果 shape=[a,-1,c,…] 此时b=-1，a,c,..依然>0。这表示tf会根据tensor的原尺寸，自动计算b的值。"""t = [1, 2, 3, 4, 5, 6, 7, 8, 9]sess.run(tf.global_variables_initializer())r = tf.reshape(t, [3, 3])print("重置为3X3", sess.run(r))v = tf.reshape(r, [-1])print("重置回1X9", sess.run(v))h = [[[1, 1, 1],      [2, 2, 2]],     [[3, 3, 3],      [4, 4, 4]],     [[5, 5, 5],      [6, 6, 6]]]# -1 被变成了’t'print("重置list", sess.run(tf.reshape(h, [-1])))# -1 inferred to be 9:print("重置2维", sess.run(tf.reshape(h, [2, -1])))# -1当前被推到维 2 :  (-1 is inferred to be 2)print("重置2维", sess.run(tf.reshape(h, [-1, 9])))# -1 inferred to be 3:print("重置3维", sess.run(tf.reshape(h, [2, -1, 3])))"""2. 神经网络相关操作tf.nn.embedding_lookupembedding_lookup(params, ids, partition_strategy=”mod”, name=None,validate_indices=True):简单的来讲，就是将一个数字序列ids转化成embedding序列表示。假设params.shape=[v,h], ids.shape=[m], 那么该函数会返回一个shape=[m,h]的张量。用数学来表示，就是那么这个有什么用呢？如果你了解word2vec的话，就知道我们可以根据文档来对每个单词生成向量。单词向量可以进一步用来测量单词的相似度等等。那么假设我们现在已经获得了每个单词的向量，都存在param中。那么根据单词id序列ids,就可以通过embedding_lookup来获得embedding表示的序列。""""""tf.trainable_variables返回所有可训练的变量。在创造变量(tf.Variable, tf.get_variable 等操作)时，都会有一个trainable的选项，表示该变量是否可训练。这个函数会返回图中所有trainable=True的变量。tf.get_variable(…), tf.Variable(…)的默认选项是True, 而 tf.constant(…)只能是False"""from pprint import pprint# j = tf.get_variable('a', shape=[5, 2])  # 默认 trainable=True# k = tf.get_variable('b', shape=[2, 5], trainable=False)# l = tf.constant([1, 2, 3], dtype=tf.int32, shape=[8], name='c')  # 因为是常量，所以trainable=false# o = tf.Variable(tf.random_uniform(shape=[3, 3]), name='d')tvar = tf.trainable_variables()tvar_name = [x.name for x in tvar]print(tvar)print(tvar_name)sess.run(tf.global_variables_initializer())pprint(sess.run(tvar))"""tf.gradients用来计算导数。该函数的定义如下所示def gradients(ys,              xs,              grad_ys=None,              name="gradients",              colocate_gradients_with_ops=False,              gate_gradients=False,              aggregation_method=None):虽然可选参数很多，但是最常使用的还是ys和xs。根据说明得知，ys和xs都可以是一个tensor或者tensor列表。而计算完成以后，该函数会返回一个长为len(xs)的tensor列表，列表中的每个tensor是ys中每个值对xs[i]求导之和。""""""tf.clip_by_global_norm修正梯度值，用于控制梯度爆炸的问题。梯度爆炸和梯度弥散的原因一样，都是因为链式法则求导的关系，导致梯度的指数级衰减。为了避免梯度爆炸，需要对梯度进行修剪。先来看这个函数的定义：def clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None):输入参数中：t_list为待修剪的张量, clip_norm 表示修剪比例(clipping ratio).函数返回2个参数： list_clipped，修剪后的张量，以及global_norm，一个中间计算量。当然如果你之前已经计算出了global_norm值，你可以在use_norm选项直接指定global_norm的值。那么具体如何计算呢？根据源码中的说明，可以得到list_clipped[i]=t_list[i] * clip_norm / max(global_norm, clip_norm),其中global_norm = sqrt(sum([l2norm(t)**2 for t in t_list]))""""""tf.nn.dropoutdropout(x, keep_prob, noise_shape=None, seed=None, name=None)按概率来将x中的一些元素值置零，并将其他的值放大。用于进行dropout操作，一定程度上可以防止过拟合x是一个张量，而keep_prob是一个（0,1]之间的值。x中的各个元素清零的概率互相独立，为1-keep_prob,而没有清零的元素，则会统一乘以1/keep_prob, 目的是为了保持x的整体期望值不变。"""I = tf.random_uniform(shape=[2, 5], minval=-1, maxval=1, dtype=tf.float32)U = Ia_drop = tf.nn.dropout(U, 0.8)print("下降的高炉", sess.run(I))print("下降的高炉", sess.run(a_drop))"""tf.linspace | tf.rangetf.linspace(start,stop,num,name=None)tf.range(start,limit=None,delta=1,name=’range’)这两个放到一起说，是因为他们都用于产生等差数列，不过具体用法不太一样。tf.linspace在[start,stop]范围内产生num个数的等差数列。不过注意，start和stop要用浮点数表示，不然会报错tf.range在[start,limit)范围内以步进值delta产生等差数列。注意是不包括limit在内的。"""x = tf.linspace(start=1.0, stop=10.0, num=5, name=None)y = tf.range(start=1, limit=10, delta=2)print("linspace:", sess.run(x))print("range:", sess.run(y))# ==> [  1.     3.25   5.5    7.75  10.  ]# ==> [1 3 5 7 9]"""tf.assignassign(ref, value, validate_shape=None, use_locking=None, name=None)tf.assign是用来更新模型中变量的值的。ref是待赋值的变量，value是要更新的值。即效果等同于 ref = value"""a = tf.Variable(0.0)b = tf.placeholder(dtype=tf.float32, shape=[])op = tf.assign(a, b)sess.run(tf.global_variables_initializer())print("assign:", sess.run(a))print("assign:", sess.run(op, feed_dict={b: 5.}))"""tf.variable_scope简单的来讲，就是为变量添加命名域  with tf.variable_scope("foo"):      with tf.variable_scope("bar"):          v = tf.get_variable("v", [1])          assert v.name == "foo/bar/v:0"函数的定义为def variable_scope(name_or_scope, reuse=None, initializer=None,                   regularizer=None, caching_device=None, partitioner=None,                   custom_getter=None):各变量的含义如下：name_or_scope: string or VariableScope: the scope to open.reuse: True or None; if True, we Go into reuse mode for this scope as well as all sub-scopes; if None, we just inherit the parent scope reuse. 如果reuse=True, 那么就是使用之前定义过的name_scope和其中的变量，initializer: default initializer for variables within this scope.regularizer: default regularizer for variables within this scope.caching_device: default caching device for variables within this scope.partitioner: default partitioner for variables within this scope.custom_getter: default custom getter for variables within this scope.tf.get_variable_scope返回当前变量的命名域，返回一个tensorflow.Python.ops.variable_scope.VariableScope变量。"""