創建一個一行兩列的矩陣

matrix1 = tf.constant([[3., 3.]])

• 1

創建一個兩行一列的矩陣

matrix2 = tf.constant([[2.],[2.]])

• 1

矩陣相乘

tf.matmul(matrix1, matrix2)

• 1

啟動默認圖.

sess = tf.Session() result = sess.run(product) ### 任務完成, 關閉會話. sess.close()

• 1
• 2
• 3
• 4

創建一個變量列表,(變量維護圖的中間狀態)

tf.Variable([1.0, 2.0])

• 1

創建一個常量列表

tf.constant([3.0, 3.0])

• 1

使用初始化器 initializer op 的 run() 方法初始化 ‘x’

x.initializer.run()

• 1

增加一個減法 sub op, 從 ‘x’ 減去 ‘a’. 運行減法 op, 輸出結果

sub = tf.sub(x, a)

• 1

計算state 和 one 的值

new_value = tf.add(state, one)

• 1

將 new_value 的值 賦給 state （state＝new_value）

update = tf.assign(state, new_value)

• 1

mul = multiply 是將input1和input2 做乘法運算，并輸出為 output

ouput = tf.multiply(input1, input2)

• 1

生成隨機數，數據格式是 float 32 的形式

x_data = np.random.rand(100).astype(np.float32)

• 1
• 2

定義Wx_plus_b, 即神經網絡未激活的值(預測的值)。其中，tf.matmul()是矩陣的乘法。

Wx_plus_b = tf.matmul(inputs,Weights)

• 1

如果定義 Variable, 就一定要 initialize 激活變量 （此時沒有激活只有 sess.run 才會激活）

init = tf.global_variables_initializer()

• 1

建立一個優化器， 減少神將網絡的誤差 GradientDescentOptimizer 是最基礎的優化器， 0.5 為學習效率（0-1），

optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss)

• 1
• 2

TensorFlow中維護的集合列表
在一個計算圖中，可以通過集合(collection)來管理不同類別的資源。比如通過 tf.add_to_collection 函數可以將資源加入一個 或多個集合中，然后通過 tf.get_collection 獲取一個集合里面的所有資源(如張量，變量，或者運行TensorFlow程序所需的隊列資源等等)

集合名稱集合內容使用場景

tf.GraphKeys.VARIABLES	所有變量	持久化TensorFlow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可學習的變量(一般指神經網絡中的參數)	模型訓練、生成模型可視化內容
tf.GraphKeys.SUMMARIES	日志生成相關的張量	TensorFlow計算可視化
tf.GraphKeys.QUEUE_RUNNERS	處理輸入的QueueRunner	輸入處理
tf.GraphKeys.MOVING_AVERAGE_VARIABLES	所有計算了滑動平均值的變量	計算變量的滑動平均值

TensorFlow中的所有變量都會被自動加入tf.GraphKeys.VARIABLES集合中，通過 tf.global_variables()函數可以拿到當前計算圖上的所有變量。拿到計算圖上的所有變量有助于持久化整個計算圖的運行狀態。

當構建機器學習模型時，比如神經網絡，可以通過變量聲明函數中的trainable參數來區分需要優化的參數(比如神經網絡的參數)和其他參數(比如迭代的輪數，即超參數)，若trainable = True，則此變量會被加入tf.GraphKeys.TRAINABLE_VARIABLES集合。然后通過 tf.trainable_variables函數便可得到所有需要優化的參數。TensorFlow中提供的優化算法會將tf.GraphKeys.TRAINABLE_VARIABLES集合中的變量作為 默認的優化對象。

• 變量的類型是不可以改變的。
• 變量的維度一般是不能改變的，除非設置參數validate_shape = False(很少去改變它)

TensorFlow中的tf.Variable函數隨機數和常數的生成：

函數名隨機數分布主要參數

tf.random_normal	正態分布	平均值、標準差、取值類型
tf.truncated_normal	滿足正態分布的隨機值，但若隨機值偏離平均值超過2個標準差，則這個數會被重新隨機	平均值、標準差、取值類型
tf.random_uniform	平均分布	最大、最小值、取值類型
tf.random_gamma	Gramma分布	形狀參數alpha、尺度參數beta、取值類型

函數名功能示例

tf.zeros	產生全0的數組	tf.zeros([2, 3],tf.int32)
tf.ones	產生全1的數組	tf.ones([2, 3],tf.int32)
tf.fill	產生一個全部為給定數組的數組	tf.fill([2,3], 9)
tf.constant	產生一個給定值的常量	tf.constant([2,3,4])

TensorFlow 中的tf.get_variable變量初始化函數

初始化函數功能主要參數

tf.constant_initializer	將變量初始化為給定常數	常數的取值
tf.random_normal_initializer	將變量初始化為滿足正態分布的隨機值	正態分布的均值和標準差
tf.truncated_normal_initializer	將變量初始化為滿足正態分布的隨機值，但若隨機值偏離平均值超過2個標準差，則這個數會被重新隨機	正態分布的均值和標準差
tf.random_uniform_initializer	將變量初始化為滿足平均分布的隨機值	最大、最小值
tf.uniform_unit_scaling_initializer	將變量初始化為滿足平均分布但不影響輸出數量級的隨機值	factor(產生隨機值時乘以的系數)
tf.zeros_initializer	將變量初始化為全0	變量維度
tf.ones_initializer	將變量初始化為全1	變量維度

tf.clip_by_value函數將張量限定在一定的范圍內：

sess = tf.InteractiveSession()v = tf.constant([[1., 2., 3.], [4., 5., 6.]]) tf.clip_by_value(v, 2.5, 4.5).eval() # 小于2.5的數值設為2.5，大于4.5的數值設為4.5 array([[ 2.5, 2.5, 3. ],[ 4. , 4.5, 4.5]], dtype=float32)

tf.log 對張量所有元素進行對數運算

tf.log(v).eval() array([[ 0. , 0.69314718, 1.09861231],[ 1.38629436, 1.60943794, 1.79175949]], dtype=float32)

tf.greater的輸入是兩個張量，此函數會比較這兩個張量中的每一個元素，并返回比較結果；
當輸入維度不一致時會進行廣播(broadcasting)

v1 = tf.constant([1., 2., 3., 4.]) v2 = tf.constant([4., 3., 2., 1.]) f = tf.greater(v1, v2) f.eval() Out[11]: array([False, False, True, True], dtype=bool)

tf.where 函數有三個參數：
第一個選擇條件根據，當選擇條件為True時，會選擇第二個參數中的值，否則使用第三個參數中的值：

tf.where(f, v1, v2).eval() array([ 4., 3., 3., 4.], dtype=float32)

總結

以上是生活随笔為你收集整理的TensorFlow（三）常用函数的全部內容，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。