TensorFlow — 相关 API
TensorFlow 相关函数理解
任务时间：时间未知
tf.truncated_normal
truncated_normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.float32,
seed=None,
name=None
)
功能说明：
产生截断正态分布随机数，取值范围为[mean - 2 * stddev, mean + 2 * stddev]。
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| shape | 是 | 1 维整形张量或array | 输出张量的维度 |
| mean | 否 | 0 维张量或数值 | 均值 |
| stddev | 否 | 0 维张量或数值 | 标准差 |
| dtype | 否 | dtype | 输出类型 |
| seed | 否 | 数值 | 随机种子，若 seed 赋值，每次产生相同随机数 |
| name | 否 | string | 运算名称 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 truncated_normal.py：
示例代码：/home/ubuntu/truncated_normal.py
#!/usr/bin/python
import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print tf.Session().run(initial)
然后执行:
python /home/ubuntu/truncated_normal.py
执行结果：
将得到一个取值范围 [-2, 2] 的 3 * 3 矩阵，您也可以尝试修改源代码看看输出结果有什么变化？
tf.constant
constant(
value,
dtype=None,
shape=None,
name='Const',
verify_shape=False
)
功能说明：
根据 value 的值生成一个 shape 维度的常量张量
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| value | 是 | 常量数值或者 list | 输出张量的值 |
| dtype | 否 | dtype | 输出张量元素类型 |
| shape | 否 | 1 维整形张量或 array | 输出张量的维度 |
| name | 否 | string | 张量名称 |
| verify_shape | 否 | Boolean | 检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 constant.py，内容可参考：
示例代码：/home/ubuntu/constant.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
a = tf.constant([1,2,3,4,5,6],shape=[2,3])
b = tf.constant(-1,shape=[3,2])
c = tf.matmul(a,b)
e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
g = tf.matmul(e,f)
with tf.Session() as sess:
print sess.run(a)
print ("##################################")
print sess.run(b)
print ("##################################")
print sess.run(c)
print ("##################################")
print sess.run(e)
print ("##################################")
print sess.run(f)
print ("##################################")
print sess.run(g)
然后执行:
python /home/ubuntu/constant.py
执行结果：
- a: 2x3 维张量；
- b: 3x2 维张量；
- c: 2x2 维张量；
- e: 2x2x3 维张量；
- f: 2x3x2 维张量；
- g: 2x2x2 维张量。
您也可以尝试修改源代码看看输出结果有什么变化？
tf.placeholder
placeholder(
dtype,
shape=None,
name=None
)
功能说明：
是一种占位符，在执行时候需要为其提供数据
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| dtype | 是 | dtype | 占位符数据类型 |
| shape | 否 | 1 维整形张量或 array | 占位符维度 |
| name | 否 | string | 占位符名称 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 placeholder.py，内容可参考：
示例代码：/home/ubuntu/placeholder.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
x = tf.placeholder(tf.float32,[None,10])
y = tf.matmul(x,x)
with tf.Session() as sess:
rand_array = np.random.rand(10,10)
print sess.run(y,feed_dict={x:rand_array})
然后执行:
python /home/ubuntu/placeholder.py
执行结果：
输出一个 10x10 维的张量。您也可以尝试修改源代码看看输出结果有什么变化？
tf.nn.bias_add
bias_add(
value,
bias,
data_format=None,
name=None
)
功能说明：
将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| value | 是 | 张量 | 数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128 |
| bias | 是 | 1 维张量 | 维度必须和 value 最后一维维度相等 |
| data_format | 否 | string | 数据格式，支持'NHWC'和'NCHW' |
| name | 否 | string | 运算名称 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 bias_add.py，内容可参考：
示例代码：/home/ubuntu/bias_add.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
b = tf.constant([2.0,1.0])
c = tf.constant([1.0])
sess = tf.Session()
print sess.run(tf.nn.bias_add(a, b))
#print sess.run(tf.nn.bias_add(a,c)) error
print ("##################################")
print sess.run(tf.add(a, b))
print ("##################################")
print sess.run(tf.add(a, c))
然后执行:
python /home/ubuntu/bias_add.py
执行结果：
3 个 3x2 维张量。您也可以尝试修改源代码看看输出结果有什么变化？
tf.reduce_mean
reduce_mean(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)
功能说明：
计算张量 input_tensor 平均值
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| input_tensor | 是 | 张量 | 输入待求平均值的张量 |
| axis | 否 | None、0、1 | None：全局求平均值；0：求每一列平均值；1：求每一行平均值 |
| keep_dims | 否 | Boolean | 保留原来的维度，降为 1 |
| name | 否 | string | 运算名称 |
| reduction_indices | 否 | None | 和axis等价，被弃用 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 reduce_mean.py，内容可参考：
示例代码：/home/ubuntu/reduce_mean.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
initial = [[1.,1.],[2.,2.]]
x = tf.Variable(initial,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print sess.run(tf.reduce_mean(x))
print sess.run(tf.reduce_mean(x,0)) #Column
print sess.run(tf.reduce_mean(x,1)) #row
然后执行:
python /home/ubuntu/reduce_mean.py
执行结果：
1.5
[ 1.5 1.5]
[ 1. 2.]
您也可以尝试修改源代码看看输出结果有什么变化？
tf.squared_difference
squared_difference(
x,
y,
name=None
)
功能说明：
计算张量 x、y 对应元素差平方
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| x | 是 | 张量 | 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型 |
| y | 是 | 张量 | 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型 |
| name | 否 | string | 运算名称 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 squared_difference.py，内容可参考：
示例代码：/home/ubuntu/squared_difference.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
initial_y = [[3.,3.],[4.,4.]]
y = tf.Variable(initial_y,dtype=tf.float32)
diff = tf.squared_difference(x,y)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print sess.run(diff)
然后执行:
python /home/ubuntu/squared_difference.py
执行结果：
[[ 4. 4.]
[ 4. 4.]]
您也可以尝试修改源代码看看输出结果有什么变化？
tf.square
square(
x,
name=None
)
功能说明：
计算张量对应元素平方
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| x | 是 | 张量 | 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型 |
| name | 否 | string | 运算名称 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 square.py，内容可参考：
示例代码：/home/ubuntu/square.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
x2 = tf.square(x)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print sess.run(x2)
然后执行:
python /home/ubuntu/square.py
执行结果：
[[ 1. 1.]
[ 4. 4.]]
您也可以尝试修改源代码看看输出结果有什么变化？
TensorFlow 相关类理解
任务时间：时间未知
tf.Variable
__init__(
initial_value=None,
trainable=True,
collections=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
expected_shape=None,
import_scope=None
)
功能说明：
维护图在执行过程中的状态信息，例如神经网络权重值的变化。
参数列表：
| 参数名 | 类型 | 说明 |
|---|---|---|
| initial_value | 张量 | Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False |
| trainable | Boolean | 是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取） |
| collections | Graph collections | 全局存储，默认是 GraphKeys.GLOBAL_VARIABLES |
| validate_shape | Boolean | 是否允许被未知维度的 initial_value 初始化 |
| caching_device | string | 指明哪个 device 用来缓存变量 |
| name | string | 变量名 |
| dtype | dtype | 如果被设置，初始化的值就会按照这个类型初始化 |
| expected_shape | TensorShape | 要是设置了，那么初始的值会是这种维度 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 Variable.py，内容可参考：
示例代码：/home/ubuntu/Variable.py
#!/usr/bin/python
import tensorflow as tf
initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
W=tf.Variable(initial)
list = [[1.,1.],[2.,2.]]
X = tf.Variable(list,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print ("##################(1)################")
print sess.run(W)
print ("##################(2)################")
print sess.run(W[:2,:2])
op = W[:2,:2].assign(22.*tf.ones((2,2)))
print ("###################(3)###############")
print sess.run(op)
print ("###################(4)###############")
print (W.eval(sess)) #computes and returns the value of this variable
print ("####################(5)##############")
print (W.eval()) #Usage with the default session
print ("#####################(6)#############")
print W.dtype
print sess.run(W.initial_value)
print sess.run(W.op)
print W.shape
print ("###################(7)###############")
print sess.run(X)
然后执行:
python /home/ubuntu/Variable.py
完成
任务时间：时间未知
恭喜，您已完成本实验内容
您可进行更多 TensorFlow 的系列教程：
- TensorFlow - 线性回归
- TensorFlow - 基于 CNN 数字识别
关于 TensorFlow 的更多资料可参考 TensorFlow 官网 。