TensorFlow | 常用函数介绍

原文发表于：2021/12/31

tf.boolean_mask

tf.boolean_mask函数的形式为：tf.boolean_mask(tensor, mask, axis=None, name=None)。

• tensor：要进行掩码操作的输入张量。
• mask：一个与tensor形状兼容的布尔张量，用于指定要选择的元素。
• axis（可选）：指定在哪个轴上应用掩码。如果未指定，则默认使用所有轴。
• name（可选）：操作的名称。

用法示例：

import tensorflow as tf

# 创建一个示例张量
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 创建一个布尔掩码
mask = tf.constant([[True, False, True], [False, True, False], [True, False, True]])

# 应用布尔掩码
result = tf.boolean_mask(tensor, mask)

print(result)

tf.broadcast_to

tf.broadcast_to是TensorFlow中的一个函数，用于将输入张量广播到指定的形状。

广播（Broadcasting）是一种在TensorFlow中自动扩展张量维度的机制，它允许在进行算术运算时，对形状不同但相容的张量进行自动扩展，以使得它们能够进行运算。

tf.broadcast_to函数的主要作用是将输入张量按照指定的形状进行广播扩展。它会根据需要自动复制元素，以使得输入张量的形状与指定的形状相匹配。

例如，如果有一个形状为(3, 1)的张量，想要将其广播到形状为(3, 4)，可以使用tf.broadcast_to函数来实现：

import tensorflow as tf

# 创建一个形状为(3, 1)的张量
tensor = tf.constant([[1], [2], [3]])

# 将张量广播到形状为(3, 4)
broadcasted_tensor = tf.broadcast_to(tensor, (3, 4))

print(broadcasted_tensor)

在这个例子中，tf.broadcast_to函数会将张量tensor的每一行复制4次，从而得到形状为(3, 4)的广播后的张量。

需要注意的是，广播操作在TensorFlow中是自动进行的，但在使用tf.broadcast_to函数时，可以显式地进行广播操作，以确保张量的形状符合预期。此外，广播操作可能会导致内存使用增加，因此在使用时需要谨慎考虑。

tf.dynamic_partition

• 矩阵拆分

tf.case

import tensorflow as tf
x = tf.constant(7)
y =  tf.constant(27)
z = tf.constant(21)
def f1(): 
    return tf.constant(17)
def f2(): 
    return tf.constant(23)
def f3(): 
    return tf.constant(-1)
r = tf.case({tf.less(x, y): f1, tf.greater(x, z): f2},default=f3, exclusive=True);

tf.shape(a)

获取张量a各个方向上的维度。

tf.unstack(a,axis=)

将张量a根据axis从n+1维分解到n维

tf.stack([a,b],axis=)

将张量a，b根据axis合并

MutableHashTable

可以根据key，将张量a中的key替换成value的表，不会增加张量a的维度。

tf.losses.log_loss

tf.losses.log_loss函数的主要参数如下：

1. labels：真实标签，通常是一个二维张量，形状为[batch_size, num_classes]，其中batch_size是批次大小，num_classes是类别数量。如果是二分类问题，labels的形状可以是[batch_size, 1]，其中的值为0或1。
2. predictions：预测值，通常是一个二维张量，形状与labels相同，表示模型对每个样本属于每个类别的预测概率。
3. weights（可选）：一个与labels形状相同的张量，用于为每个样本分配权重。默认情况下，所有样本的权重都为1。
4. reduction（可选）：指定损失的归约方式，可以是tf.losses.Reduction.NONE（不进行归约，返回每个样本的损失）、tf.losses.Reduction.SUM_BY_NONZERO_WEIGHTS（对非零权重的样本损失进行求和）、tf.losses.Reduction.SUM_OVER_BATCH_SIZE（对所有样本的损失进行求和并除以批次大小）或tf.losses.Reduction.MEAN（对所有样本的损失进行求平均）。默认值为tf.losses.Reduction.NONE。

例如：

import tensorflow as tf

labels = tf.constant([[0, 1], [1, 0]], dtype=tf.float32)
predictions = tf.constant([[0.1, 0.9], [0.8, 0.2]], dtype=tf.float32)

loss = tf.losses.log_loss(labels, predictions)
print(loss)

tf.placeholder

函数

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

参数说明

dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
name：名称。

注意事项

此函数可以理解为形参，用于定义过程，在执行时需要赋具体的值。

示例

x = tf.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)

with tf.Session() as sess:
  print(sess.run(y))  # ERROR: 此处x还没有赋值.

  rand_array = np.random.rand(1024, 1024)
  print(sess.run(y, feed_dict={x: rand_array}))  # Will succeed.

tf.nn.dynamic_rnn

tensorflow 的dynamic_rnn方法，我们用一个小例子来说明其用法，假设你的RNN的输入input是[2,20,128]，其中2是batch_size,20是文本最大长度，128是embedding_size，可以看出，有两个example，我们假设第二个文本长度只有13，剩下的7个是使用0-padding方法填充的。dynamic返回的是两个参数：outputs,last_states，其中outputs是[2,20,128]，也就是每一个迭代隐状态的输出,last_states是由(c,h)组成的tuple，均为[batch,128]。

到这里并没有什么不同，但是dynamic有个参数：sequence_length，这个参数用来指定每个example的长度，比如上面的例子中，我们令 sequence_length为[20,13]，表示第一个example有效长度为20，第二个example有效长度为13，当我们传入这个参数的时候，对于第二个example，TensorFlow对于13以后的padding就不计算了，其last_states将重复第13步的last_states直至第20步，而outputs中超过13步的结果将会被置零。

tf.reshape(tensor,shape,name=None)

函数

tf.reshape(tensor,shape,name=None)

说明

函数的作用是将tensor变换为参数shape形式，其中的shape为一个列表形式，特殊的是列表可以实现逆序的遍历，即list(-1).-1所代表的含义是我们不用亲自去指定这一维的大小，函数会自动进行计算，但是列表中只能存在一个-1。（如果存在多个-1，就是一个存在多解的方程） 。

tf.nn.rnn_cell.MultiRNNCell.zero_state

tf.nn.rnn_cell.MultiRNNCell.zero_state(batch_size, dtype)

tf.train.ExponentialMovingAverage

tf.nn.moments

http://blog.csdn.net/u014595019/article/details/52805444

tf.contrib.rnn.BasicLSTMCell

BasicLSTMCell 是最简单的一个LSTM类，没有实现clipping，projection layer，peep-hole等一些LSTM的高级变种，仅作为一个基本的basicline结构存在，如果要使用这些高级变种，需用class tf.contrib.rnn.LSTMCell这个类。

使用方式

lstm = rnn.BasicLSTMCell(num_units, forget_bias=1.0, state_is_tuple=True)

参数说明

• num_units: int, The number of units in the LSTM cell.

• forget_bias: float, The bias added to forget gates.

• state_is_tuple: If True, accepted and returned states are 2-tuples of the c_state and m_state. If False, they are concatenated along the column axis. The latter behavior will soon be deprecated.

• activation: Activation function of the inner states.

tf.nn.embedding_lookup

代码

# -*- coding= utf-8 -*-
import tensorflow as tf
import numpy as np

a = [[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]]
a = np.asarray(a)
idx1 = tf.Variable([0, 2, 3, 1], tf.int32)
idx2 = tf.Variable([[0, 2, 3, 1], [4, 0, 2, 2]], tf.int32)
out1 = tf.nn.embedding_lookup(a, idx1)
out2 = tf.nn.embedding_lookup(a, idx2)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print sess.run(out1)
    print out1
    print '=================='
    print sess.run(out2)
    print out2

输出

[[ 0.1  0.2  0.3]
 [ 2.1  2.2  2.3]
 [ 3.1  3.2  3.3]
 [ 1.1  1.2  1.3]]
Tensor("embedding_lookup:0", shape=(4, 3), dtype=float64)
==================
[[[ 0.1  0.2  0.3]
  [ 2.1  2.2  2.3]
  [ 3.1  3.2  3.3]
  [ 1.1  1.2  1.3]]

 [[ 4.1  4.2  4.3]
  [ 0.1  0.2  0.3]
  [ 2.1  2.2  2.3]
  [ 2.1  2.2  2.3]]]
Tensor("embedding_lookup_1:0", shape=(2, 4, 3), dtype=float64)

tf.ones_like

tf.where

tf.where 是 TensorFlow 库中的一个函数，它根据条件返回输入张量中元素的值。这个函数的工作原理类似于 Python 中的三元运算符 a if condition else b，但是可以应用于整个张量。

函数的基本语法如下：

tf.where(condition, x, y, name=None)

• condition: 一个布尔类型（tf.bool）的张量，表示要满足的条件。tf.where 会根据这个条件张量的每个元素的值来决定选择 x 或 y。
• x: 一个张量，当 condition 为真时，返回这个张量的对应元素。
• y: 一个张量，当 condition 为假时，返回这个张量的对应元素。x 和 y 的形状和数据类型必须相同。
• name: （可选）为这个操作指定一个名称。

tf.where 返回的张量与 x 和 y 具有相同的形状和数据类型。

下面是 tf.where 函数的一个简单示例：

import tensorflow as tf

# 定义条件
condition = [True, False, True, False]

# 根据条件选择值
result = tf.where(condition, [1, 2, 3, 4], [10, 20, 30, 40])

# 查看结果
print(result)

结果为：tf.Tensor([ 1 20 3 40], shape=(4,), dtype=int32)

在这个示例中，tf.where 会返回一个新张量，其中包含根据 condition 的值从 x 或 y 中选择的元素。如果 condition 中的元素为 True，则选择 x 中的对应元素；如果为 False，则选择 y 中的对应元素。

请注意，示例中的张量需要具有相同的形状。如果条件张量与 x 和 y 的形状不匹配，你需要使用 tf.broadcast 来调整它们的形状。

参数

• tensorflow一些常用的api
• Tensorflow一些常用基本概念与函数