Tensorflow中一些常见的函数

Tensorflow中一些常见的函数

1.

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。

2.

tf.nn.relu

使用激活函数relu进行计算 类似的还有

tf.sigmoid

,

tf.tanh

3.

tf.matmul

进行矩阵相乘

4.

tf.placeholder

运行时传入参数,placeholder（type,strucuct…)它的第一个参数是你要保存的数据的数据类型，大多数是tensorflow中的float32数据类型，后面的参数就是要保存数据的结构，比如要保存一个1×2的矩阵，则struct=[1 2]。

5.

tf.Variable（initializer， name)

initializer是初始化参数，可以为tf.random_normal，tf.constant，tf.constant等，name就是变量的名字，用法如下：

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

a1 = tf.Variable(tf.random_normal(shape=[2,3], mean=0, stddev=1), name='a1')
a2 = tf.Variable(tf.constant(1), name='a2')
a3 = tf.Variable(tf.ones(shape=[2,3]), name='a3')

with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
print sess.run(a1)
print sess.run(a2)
print sess.run(a3)

输出的结果如下：

输出：
[[ 0.76599932  0.99722123 -0.89361787]
[ 0.19991693 -0.16539733  2.16605783]]
1
[[ 1.  1.  1.]
[ 1.  1.  1.]]

6.

tf.truncated_normal(shape, mean, stddev)

shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。

示例代码：

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

c = tf.truncated_normal(shape=[10,10], mean=0, stddev=1)

with tf.Session() as sess:
print sess.run(c)

输出结果如下：

输出：
[[ 1.95758033 -0.68666345 -1.83860338  0.78213859 -1.08119416 -1.44530308
0.38035342  0.57904619 -0.57145643 -1.22899497]
[-0.75853795  0.48202974  1.03464043  1.19210851 -0.15739718  0.8506189
1.18259966 -0.99061841 -0.51968449  1.38996458]
[ 1.05636907 -0.02668529  0.64182931  0.4110294  -0.4978295  -0.64912242
1.27779591 -0.01533993  0.47417602 -1.28639436]
[-1.65927458 -0.364887   -0.45535028  0.078814   -0.30295736  1.91779387
-0.66928798 -0.14847915  0.91875714  0.61889237]
[-0.01308221 -0.38468206  1.34700036  0.64531708  1.15899456  1.09932268
1.22457981 -1.1610316   0.59036094 -1.97302651]
[-0.24886213  0.82857937  0.09046989  0.39251322  0.21155456 -0.27749416
0.18883201  0.08812679 -0.32917103  0.20547724]
[ 0.05388507  0.45474565  0.23398806  1.32670367 -0.01957406  0.52013856
-1.13907862 -1.71957874  0.75772947 -1.01719368]
[ 0.27155915  0.05900437  0.81448066 -0.37997526 -0.62020499 -0.88820189
1.53407145 -0.01600445 -0.4236775  -1.68852305]
[ 0.78942037 -1.32458341 -0.91667277 -0.00963761  0.76824385 -0.5405798
-0.73307443 -1.19854116 -0.66179073  0.26329204]
[ 0.59473759 -0.37507254 -1.21623695 -1.30528259  1.18013096 -1.32077384
-0.59241474 -0.28063133  0.12341146  0.48480138]]

7.

tf.train.ExponentialMovingAverage

这个函数用于更新参数，就是采用滑动平均的方法更新参数。这个函数初始化需要提供一个衰减速率（decay），用于控制模型的更新速度。这个函数还会维护一个影子变量（也就是更新参数后的参数值），这个影子变量的初始值就是这个变量的初始值，影子变量值的更新方式如下：

shadow_variable = decay * shadow_variable + (1-decay) * variable

shadow_variable是影子变量，variable表示待更新的变量，也就是变量被赋予的值，decay为衰减速率。decay一般设为接近于1的数（0.99,0.999）。decay越大模型越稳定，因为decay越大，参数更新的速度就越慢，趋于稳定。

tf.train.ExponentialMovingAverage这个函数还提供了自己动更新decay的计算方式：

decay= min（decay，（1+steps）/（10+steps））

其中steps是迭代的次数，可以自己设定。

示例代码如下：

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

v1 = tf.Variable(0, dtype=tf.float32)
step = tf.Variable(tf.constant(0))

ema = tf.train.ExponentialMovingAverage(0.99, step)
maintain_average = ema.apply([v1])

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

print sess.run([v1, ema.average(v1)]) #初始的值都为0

sess.run(tf.assign(v1, 5)) #把v1变为5
sess.run(maintain_average)
print sess.run([v1, ema.average(v1)]) # decay=min(0.99, 1/10)=0.1, v1=0.1*0+0.9*5=4.5

sess.run(tf.assign(step, 10000)) # steps=10000
sess.run(tf.assign(v1, 10)) # v1=10
sess.run(maintain_average)
print sess.run([v1, ema.average(v1)]) # decay=min(0.99,(1+10000)/(10+10000))=0.99, v1=0.99*4.5+0.01*10=4.555

sess.run(maintain_average)
print sess.run([v1, ema.average(v1)]) #decay=min(0.99,<span style="font-family: Arial, Helvetica, sans-serif;">(1+10000)/(10+10000)</span><span style="font-family: Arial, Helvetica, sans-serif;">)=0.99, v1=0.99*4.555+0.01*10=4.6</span>

输出结果如下：

输出：
[0.0, 0.0]
[5.0, 4.5]
[10.0, 4.5549998]
[10.0, 4.6094499]

解释：每次更新完以后，影子变量的值更新，varible的值就是你设定的值。如果在下一次运行这个函数的时候你不在指定新的值，那就不变，影子变量更新。如果指定，那就variable改变，影子变量也改变

8.

tf.clip_by_value

将张量中的一个值限制在一个范围之内

a = tf.constant([[1.0,2.0,3.0],[4.0,5.0,6.0]])
print(tf.clip_by_value(a,2.5,4.5).eval())

输出[[2.5,2.5,3],[4,4.5,4.5]]由此可见小于2.5的换成了2.5，大于4.5的都换成了4.5

Tensor.eval()

Operation.run()

Session.run()

9.

tf.reduce_mean

指求平均值

如：

tf.reduce_mean(([1,2,3],[4,5,6]))

等于：

（1+2+3+4+5+6）／6 = 3.5

10.

p * tf.log(q)

交叉熵损失函数

H(p,q) = -求和符(p(x)log(q(x)))

可以直接用Tensorflow交叉熵函数来计算

p * tf.log(q)

11.

tf.nn.softmax_cross_entropy_with_logits(y，y_)

直接通过这个公式来实现softmax回归之后的交叉熵损失函数（y指原是神经网络的输出结果，y_指标准答案）

12.

tf.reduce_sum

该函数用来求和

13.

tf.greater

输入两个张量并比较大小，当维度不同时，进行类似于numpy广播的处理，当第一个参数大于第二个是为True反之为False

14.

tf.select

（目前已经更新为tf.where）第一个参数为选择条件，当满足时使用第二个参数，不满足时返回第三个参数

15.

tf.train.AdamOptimizer

该函数来控制学习速度。AdamOptimizer 通过使用动量（参数的移动平均数）来改善传统梯度下降，促进超参数动态调整。

16.

tf.contrib.layers.l1_regularize

可以计算解决过拟合化问题的l1正则化项的值 #lambda表示正则化的权重

17.

tf.contrib.layers.l2_regularize

可以计算解决过拟合化问题的l2正则化项的值

18.

tf.add_to_collection

把变量放入一个集合，把很多变量变成一个列表

19.

tf.train.ExpontialMovingAverage

实现滑动平均模型

20.

tf.assign(x,y)

将y的值赋值给x

30.

mnist = input_data.resd_data_sets("文件路径”)
mnist.train.next_batch(batch_size)  #input_data.resd_data_sets

函数生成的类还提供了mnist.train.next_batch函数，他将从所有的训练数据中读取一小部分作为训练数据batch

31.

tf.trainable_variables

返回的是需要训练的变量列表

tf.all_variables

返回的是所有变量的列表

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

v = tf.Variable(tf.constant(0.0, shape=[1], dtype=tf.float32), name='v')
v1 = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='v1')

global_step = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='global_step', trainable=False)
ema = tf.train.ExponentialMovingAverage(0.99, global_step)

for ele1 in tf.trainable_variables():
print ele1.name
for ele2 in tf.all_variables():
print ele2.name

输出结果如下：

输出：
v:0
v1:0
v:0
v1:0
global_step:0

分析：