簡介

深度學(xué)習(xí)需要熟悉使用一個(gè)框架，本人選擇了TensorFlow，一邊學(xué)習(xí)一邊做項(xiàng)目，下面簡要介紹TensorFlow中的基本常量、變量和運(yùn)算操作，參考斯坦福大學(xué)的cs20si和TensorFlow官網(wǎng)API。

常量

tf.constant()

tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False),value為值，dtype類型，shape為張量形狀，name名稱、verify_shape默認(rèn)False，這些項(xiàng)可選。作用創(chuàng)建一個(gè)常量。

a = tf.constant(2, name="a") # print(a) = 2
b = tf.constant(2.0, dtype=tf.float32, shape=[2,2], name="b") # 2x2矩陣，值為2
c = tf.constant([[1, 2], [3, 4]], name="c") # 2x2矩陣,值1,2,3,4

tf.zeros()和tf.zeros_like()

tf.zeros(shape, dtype=tf.float32, name=None), shape為張量形狀，dtype類型，name名稱。創(chuàng)建一個(gè)值為0的常量。

a = tf.zeros(shape=[2, 3], dtype=tf.int32, name='a') # 2x3矩陣，值為0, a = [[0, 0, 0], [0, 0, 0]]

tf.zeros_like(input_tensor, dtype=None, name=None, optimize=True)，input_tensor為張量，dtype類型，name名稱，optimize優(yōu)化。根據(jù)輸入張量創(chuàng)建一個(gè)值為0的張量，形狀和輸入張量相同。

input_tensor = tf.constant([[1,2], [3,4], [5,6])
a = tf.zeros_like(input_tensor) # a = [[0, 0], [0, 0], [0, 0]]

tf.ones()和tf.ones_like()

tf.ones(shape, dtype=tf.float32, name=None)，與tf.zeros()類似。

tf.ones_like(input_tensor, dtype=None, name=None, optimize=True)，與tf.zeros_like()類似。

tf.fill()

tf.fill(dims, value, name=None), dims為張量形狀，同上述shape，vlaue值，name名稱。作用是產(chǎn)生一個(gè)張量，用一個(gè)具體值充滿張量。

a = tf.fill([2,3], 8) # 2x3矩陣，值為8

tf.linspace()

tf.linspace(start, stop, num, name=None)，start初始值，stop結(jié)束值，num數(shù)量，name名稱。作用是產(chǎn)生一個(gè)等差數(shù)列一維向量，個(gè)數(shù)是num，初始值start、結(jié)束值stop。

a = tf.linspace(10.0, 13.0, 4) # a = [10.0 11.0 12.0 13.0]

tf.range()

tf.range(start=0, limit=None, delta=1, dtype=None, name='range')，start初始值，limit限制，delta增量，dtype類型，name名稱。作用是產(chǎn)生一個(gè)等差數(shù)列的一維向量，初始值start，公差delta，結(jié)束值小于limit。

a = tf.range(start, limit, delta) # a = [3, 6, 9, 12, 15]
b = tf.range(5) # b = [0, 1, 2, 3, 4]

tf.random_normal()

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None), shape張量形狀，mean均值，stddev標(biāo)準(zhǔn)差，dtype類型，seed隨機(jī)種子，name名稱。作用是產(chǎn)生一個(gè)正太分布分布，均值為mean，標(biāo)準(zhǔn)差為stddev。

tf.truncated_normal()

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None,name=None)，shape張量形狀，mean均值，stddev標(biāo)準(zhǔn)差，dtype類型，seed隨機(jī)種子，name名稱。作用是產(chǎn)生一個(gè)截?cái)嗟恼植?，形狀為shape，均值為mean，標(biāo)準(zhǔn)差為stddev。

tf.random_uniform()

tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None,name=None)，shape張量形狀，minval最小值，maxval最大值，dtype類型，seed隨機(jī)種子，name名稱。作用是產(chǎn)生一個(gè)均勻分布，形狀為shape，最小值為minval，最大值為maxval。

tf.random_shuffle()

tf.random_shuffle(value, seed=None, name=None)，value張量，seed隨機(jī)種子，name名稱。作用是將張量value里面的值隨機(jī)打亂。

a = tf.constant([[1,2],[3,4]],name='a')
b = tf.random_shuffle(a, name='b') # b = [[2,3], [1,4]]

tf.random_crop()

tf.random_crop(value, size, seed=None, name=None),value張量，size大小，seed隨機(jī)種子，name名稱。作用是將張量value隨機(jī)裁剪成size形狀大小的張量，value形狀大小>=size。

tf.multinomial()

tf.multinomial(logits, num_samples, seed=None, name=None), logits張量，num_samples采樣輸出，seed隨機(jī)種子，name名稱。作用是根據(jù)概率分布的大小，隨機(jī)返回對應(yīng)維度的下標(biāo)序號。

a = tf.constant([[1, 2, 3, 4, 1], [3, 2, 3, 4, 3]], name='a')
b = tf.multinomial(a, 1, name='b') # b = [0, 0]或者[0, 2]或者[4, 4] 

tf.random_gamma()

tf.random_gamma(shape, alpha, beta=None, dtype=tf.float32, seed=None, name=None)。作用是產(chǎn)生一個(gè)Gamma分布。

變量

tf.Variable()

tf.Variable(<initial-value>, name=<optional-name>),變量可以根據(jù)直接賦值，如a、b、c，也可以根據(jù)構(gòu)造函數(shù)賦值，如W、Z。

a = tf.Variable(2, name="scalar")
b = tf.Variable([2, 3], name="vector")
c = tf.Variable([[0, 1], [2, 3]], name="matrix")
W = tf.Variable(tf.zeros([784,10]), name="weights")
Z = tf.Variable(tf.random_normal([784, 10], mean=0, stddev=0.01), name="Z"

tf.Variable().initializer

1.全局變量初始化

init = tf.global_variables_initializer()
with tf.Session() as sess:
 sess.run(init)

2.指定變量初始化

W = tf.Variable(tf.truncated_normal([700, 10]))
with tf.Session() as sess:
 sess.run(W.initializer)
 print(W) # Tensor("Variable/read:0", shape=(700, 10), dtype=float32)

tf.Variable().eval()

返回變量值。

W = tf.Variable(tf.truncated_normal([700, 10]))
with tf.Session() as sess:
 sess.run(W.initializer) 
 print(W.eval())
>> [[-0.76781619 -0.67020458 1.15333688 ..., -0.98434633 -1.25692499 -0.90904623]
 [-0.36763489 -0.65037876 -1.52936983 ..., 0.19320194 -0.38379928
 0.44387451]
 [ 0.12510735 -0.82649058 0.4321366 ..., -0.3816964 0.70466036
 1.33211911]
 ...,
 [ 0.9203397 -0.99590844 0.76853162 ..., -0.74290705 0.37568584
 0.64072722]
 [-0.12753558 0.52571583 1.03265858 ..., 0.59978199 -0.91293705
 -0.02646019]
 [ 0.19076447 -0.62968266 -1.97970271 ..., -1.48389161 0.68170643

tf.Variable.assign()

直接調(diào)用assign()并不起作用，它是一個(gè)操作，需要sess.run()操作才能起效果。

W = tf.Variable(10)
W.assign(100)
with tf.Session() as sess:
 sess.run(W.initializer)
 print(W.eval()) # >> 10

W = tf.Variable(10)
assign_op = W.assign(100)
with tf.Session() as sess:
 # sess.run(W.initializer) # 當(dāng)變量有值的話，可以省略，不需要初始化
 sess.run(assign_op)
print W.eval() # >> 100

運(yùn)算操作

運(yùn)算操作圖

tf.multiply()和tf.matmul()

tf.multiply(x, y, name)作用是x, y逐項(xiàng)相乘。

tf.matmul(x, y, name)作用是x，y矩陣相乘。

a = tf.constant([3, 6])
b = tf.constant([2, 2])
c1 = tf.matmul(a, b) # 報(bào)錯(cuò)
c2 = tf.matmul(tf.reshape(a, [1, 2]), tf.reshape(b, [2, 1]))# c2 = [[18]]
c3 = tf.multiply(a, b) # c3 = [6, 12]

加減就不細(xì)說了。

結(jié)束語

總結(jié)了一些常用的常量、變量和操作運(yùn)算，供大家參考，尤其是對于tensorflow和python不太熟悉的選手有幫助，后續(xù)會(huì)補(bǔ)充更新，希望大家多多支持腳本之家。