TensorFlow基础总结

2023-06-18 03:13•HTML/CSS•阅读 2079

1.基础概念 2.Tensor 3.Operation 4.Graph 5.Session 附录

1.基础概念

Tensor：类型化的多维数组，图的边；Tensor所引用的并不持有具体的值，而是保持一个计算过程,可以使用session.run()或者t.eval()对tensor的值进行计算。
Operation:执行计算的单元，图的节点；这里大概可总结为Tensor创建,Tensor转换,逻辑判断,数学运算，聚合运算，序列比较与索引提取等。
Graph：一张有边与点的图，其表示了需要进行计算的任务；
Session:称之为会话的上下文,用于执行图。用户管理CPU和GPU和网络连接。

2.Tensor

2.1 数据结构

rank：数据的维度，其与线性代数中的rank不是一个概念。
shape:tensor每个维度数据的个数;下图表示了rank,shape的关系。

Rank	Shape	Dimension number	Example
0	[]	0-D	A 0-D tensor. A scalar.
1	[D0]	1-D	A 1-D tensor with shape [5].
2	[D0, D1]	2-D	A 2-D tensor with shape [3, 4].
3	[D0, D1, D2]	3-D	A 3-D tensor with shape [1, 4, 3].
n	[D0, D1, ... Dn-1]	n-D	A tensor with shape [D0, D1, ... Dn-1].

data type:单个数据的类型。下图表示了所有的types。

Data type	Python type	Description
DT_FLOAT	tf.float32	32 bits floating point.
DT_DOUBLE	tf.float64	64 bits floating point.
DT_INT8	tf.int8	8 bits signed integer.
DT_INT16	tf.int16	16 bits signed integer.
DT_INT32	tf.int32	32 bits signed integer.
DT_INT64	tf.int64	64 bits signed integer.
DT_UINT8	tf.uint8	8 bits unsigned integer.
DT_UINT16	tf.uint16	16 bits unsigned integer.
DT_STRING	tf.string	Variable length byte arrays. Each element of a Tensor is a byte array.
DT_BOOL	tf.bool	Boolean.
DT_COMPLEX64	tf.complex64	Complex number made of two 32 bits floating points: real and imaginary parts.
DT_COMPLEX128	tf.complex128	Complex number made of two 64 bits floating points: real and imaginary parts.
DT_QINT8	tf.qint8	8 bits signed integer used in quantized Ops.
DT_QINT32	tf.qint32	32 bits signed integer used in quantized Ops.
DT_QUINT8	tf.quint8	8 bits unsigned integer used in quantized Ops.

2.2 稀疏张量（SparseTensor）

用于处理高维稀疏数据，包含indices，values，dense_shape三个属性。

indices：形状为（N, ndims）的Tensor，N为非0元素个数，ndims表示张量阶数

values：形状为（N）的Tensor，保存indices中指定的非0元素的值

dense_shape：形状为（ndims）的Tensor，表示该稀疏张量对应稠密张量的形状

3.Operation

3.1 Tensor创建函数

用法	说明
tf.zeros(shape, dtype=tf.float32, name=None)	创建所有元素设置为零的张量
tf.zeros_like(tensor, dtype=None, name=None)	返回tensor与所有元素设置为零相同的类型和形状的张量
tf.ones(shape, dtype=tf.float32, name=None)	创建一个所有元素设置为1的张量。
tf.ones_like(tensor, dtype=None, name=None)	返回tensor与所有元素设置为1相同的类型和形状的张量
tf.fill(dims, value, name=None)	创建一个填充了标量值的张量
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)	从截断的正态分布中输出随机值
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)	从正态分布中输出随机值
tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)	从均匀分布输出随机值
tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)	构建一个单位矩阵, 或者 batch 个矩阵，batch_shape 以 list 的形式传入
tf.diag(diagonal, name=None)	构建一个对角矩阵
tf.global_variables_initializer()	初始化全部变量

3.2 Tensor转换函数

用法	说明
tf.random_shuffle(value, seed=None, name=None)	沿其第一维度随机打乱
tf.set_random_seed(seed)	设置图级随机种子
tf.string_to_number(string_tensor, out_type=None, name=None)	张量变换
tf.to_double(x, name=\'ToDouble\')	张量变换
tf.to_float(x, name=\'ToFloat\')	张量变换
tf.to_bfloat16(x, name=\'ToBFloat16\')	张量变换
tf.to_int32(x, name=\'ToInt32\')	张量变换
tf.to_int64(x, name=\'ToInt64\')	张量变换
tf.cast(x, dtype, name=None)	张量变换
tf.shape(input, name=None)	用于确定张量的形状并更改张量的形状
tf.size(input, name=None)	用于确定张量的形状并更改张量的形状
tf.rank(input, name=None)	用于确定张量的形状并更改张量的形状
tf.reshape(tensor, shape, name=None)	用于确定张量的形状并更改张量的形状
tf.squeeze(input, squeeze_dims=None, name=None)	用于确定张量的形状并更改张量的形状
tf.expand_dims(input, dim, name=None)	用于确定张量的形状并更改张量的形状
tf.slice(input_, begin, size, name=None)	切片与扩展
tf.split(split_dim, num_split, value, name=\'split\')	切片与扩展
tf.tile(input, multiples, name=None)	切片与扩展
tf.pad(input, paddings, name=None)	切片与扩展
tf.concat(concat_dim, values, name=\'concat\')	切片与扩展
tf.pack(values, name=\'pack\')	切片与扩展
tf.unpack(value, num=None, name=\'unpack\')	切片与扩展
tf.reverse_sequence(input, seq_lengths, seq_dim, name=None)	切片与扩展
tf.reverse(tensor, dims, name=None)	切片与扩展
tf.transpose(a, perm=None, name=\'transpose\')	切片与扩展
tf.gather(params, indices, name=None)	切片与扩展
tf.dynamic_partition(data, partitions, num_partitions, name=None)	切片与扩展
tf.dynamic_stitch(indices, data, name=None)	切片与扩展

3.3 逻辑判断

用法	说明
tf.logical_and(x, y, name=None)	逻辑运算符
tf.logical_not(x, name=None)	逻辑运算符
tf.logical_or(x, y, name=None)	逻辑运算符
tf.logical_xor(x, y, name=\'LogicalXor\')	逻辑运算符
tf.equal(x, y, name=None)	比较运算符
tf.not_equal(x, y, name=None)	比较运算符
tf.less(x, y, name=None)	比较运算符
tf.less_equal(x, y, name=None)	比较运算符
tf.greater(x, y, name=None)	比较运算符
tf.greater_equal(x, y, name=None)	比较运算符
tf.select(condition, t, e, name=None)	比较运算符
tf.where(input, name=None)	比较运算符
tf.is_finite(x, name=None)	判断检查
tf.is_inf(x, name=None)	判断检查
tf.is_nan(x, name=None)	判断检查
tf.verify_tensor_all_finite(t, msg, name=None) 断言张量不包含任何NaN或Inf	判断检查
tf.check_numerics(tensor, message, name=None)	判断检查
tf.add_check_numerics_ops()	判断检查
tf.Assert(condition, data, summarize=None, name=None)	判断检查
tf.Print(input_, data, message=None, first_n=None, summarize=None, name=None)	判断检查

3.4 数学函数

用法	说明
tf.add(x, y, name=None)	加法(支持 broadcasting)
tf.subtract(x, y, name=None)	减
tf.multiply(x, y, name=None)	乘
tf.divide(x, y, name=None)	除
tf.mod(x, y, name=None)	取余
tf.pow(x, y, name=None)	幂
tf.square(x, name=None)	求平方
tf.sqrt(x, name=None)	开方
tf.exp(x, name=None)	自然指数
tf.log(x, name=None)	自然对数
tf.negative(x, name=None)	取相反数
tf.sign(x, name=None)	返回 x 的符号
tf.reciprocal(x, name=None)	取倒数
tf.abs(x, name=None)	求绝对值
tf.round(x, name=None)	四舍五入
tf.ceil(x, name=None)	向上取整
tf.floor(x, name=None)	向下取整
tf.rint(x, name=None)	取最接近的整数
tf.maximum(x, y, name=None)	返回两tensor中的最大值 (x > y ? x : y)
tf.minimum(x, y, name=None)	返回两tensor中的最小值 (x < y ? x : y)
tf.cos(x, name=None)	三角函数和反三角函数
tf.sin(x, name=None)	三角函数和反三角函数
tf.tan(x, name=None)	三角函数和反三角函数
tf.acos(x, name=None)	三角函数和反三角函数
tf.asin(x, name=None)	三角函数和反三角函数
tf.atan(x, name=None)	三角函数和反三角函数
tf.matmul(a,b,name=None)	矩阵乘法(tensors of rank >= 2)
tf.transpose(a, perm=None, name=\'transpose\')	转置，可以通过指定 perm=[1, 0] 来进行轴变换
tf.trace(x, name=None)	求矩阵的迹
tf.matrix_determinant(input, name=None)	计算方阵行列式的值
tf.matrix_inverse(input, adjoint=None, name=None)	求解可逆方阵的逆
tf.svd(tensor, name=None)	奇异值分解
tf.qr(input, full_matrices=None, name=None)	QR 分解
tf.norm(tensor, ord=\'euclidean\', axis=None, keep_dims=False, name=None)	求张量的范数(默认2)

3.5 聚合相关

用法	说明
tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None)	计算输入 tensor 所有元素的和，或者计算指定的轴所有元素的和
tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None)	求均值
tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None)	求最大值
tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None)	求最小值
tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None)	求累乘
tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None)	全部满足条件
tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None)	至少有一个满足条件

3.6 序列比较与索引提取

用法	说明
tf.setdiff1d(x, y, index_dtype=tf.int32, name=None)	比较两个 list 或者 string 的不同，并返回不同的值和索引
tf.unique(x, out_idx=None, name=None)	返回 x 中的唯一值所组成的tensor 和原 tensor 中元素在现 tensor 中的索引
tf.where(condition, x=None, y=None, name=None)	x if condition else y, condition 为 bool 类型的
tf.argmax(input, axis=None, name=None, output_type=tf.int64)	返回沿着坐标轴方向的最大值的索引
tf.argmin(input, axis=None, name=None, output_type=tf.int64)	返回沿着坐标轴方向的最小值的索引
tf.invert_permutation(x, name=None)	x 的值当作 y 的索引，range(len(x)) 索引当作 y 的值
tf.edit_distance(x,y)	编辑距离

4.Graph

用法	说明
tf.get_default_graph()	访问默认图
tf.Graph.seed	此图内使用的随机种子
tf.Graph.init()	创建一个新的空的图
tf.Graph.as_default()	返回一个使得当前图成为默认图的上下文管理器
tf.Graph.as_graph_def(from_version=None, add_shapes=False)	返回一个表示这个图的序列化的 GraphDef。
tf.Graph.as_graph_element(obj, allow_tensor=True, allow_operation=True)	给定一个obj，看它能否对应到图中的元素
tf.Graph.get_operation_by_name(name)	根据名字获取某个operation
tf.Graph.get_tensor_by_name(name)	根据名字获取某个tensor
tf.Graph.get_operations()	获取所有operations
tf.Graph.is_feedable(tensor)	判断是否可feed或可fetch
tf.Graph.is_fetchable(tensor_or_op)	判断是否可feed或可fetch
tf.Graph.prevent_feeding(tensor)	设置不可feed或不可fetch
tf.Graph.prevent_fetching(op)	设置不可feed或不可fetch
tf.Graph.finalize()	结束这个图，使它只读,不能向g添加任何新的操作
tf.Graph.finalized	如果这个图已经结束，它为真
tf.Graph.control_dependencies(control_inputs)	返回一个明确控制依赖（control dependencies）的上下文管理器
tf.Graph.devide(device_name_or_function)	返回一个明确默认设备的使用的上下文管理器
tf.Graph.name_scope(name)	返回为操作创建分层的上下文管理器
tf.Graph.add_to_collection(name,value)	将value值存入给定name的collection
tf.Graph.add_to_collections(names,value)	将value存入给定的names的collections中
tf.Graph.get_collection(name,scope=None)	返回给定名称集合的值的列表

5.Session

用法	说明
tf.Session()
tf.InteractiveSession()
tf.get_default_session()	获取默认session
tf.Session().graph
tf.Session(). init(self, target=\'\', graph=None, config=None)
tf.Session().as_default()	返回使该对象成为默认session的上下文管理器.
tf.Session().close	关闭这个session
tf.Session().list_devices()	列出此session中的可用设备.
tf.Session().run(fetches,feed_dict=None)	执行
tf.Session().reset(target)	在target上重置资源容器,并关闭所有连接的会话.