TensorFLow 数学运算

ゝ一世哀愁。 2022-06-05 07:35 389阅读 0赞

## 一、Tensor 之间的运算规则 ##

*  相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级
 *  不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting)
 *  Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素
 *  Note： TensorFLow 在进行数学运算时，一定要求各个 Tensor 数据类型一致

--------------------

## 二、常用操作符和基本数学函数 ##

> 大多数运算符都进行了重载操作，使我们可以快速使用 (+ - \* /) 等，但是有一点不好的是使用重载操作符后就不能为每个操作命名了。

# 算术操作符：+ - * / % 
    tf.add(x, y, name=None)        # 加法(支持 broadcasting)
    tf.subtract(x, y, name=None)   # 减法
    tf.multiply(x, y, name=None)   # 乘法
    tf.divide(x, y, name=None)     # 浮点除法, 返回浮点数(python3 除法)
    tf.mod(x, y, name=None)        # 取余
    
    
    # 幂指对数操作符：^ ^2 ^0.5 e^ ln 
    tf.pow(x, y, name=None)        # 幂次方
    tf.square(x, name=None)        # 平方
    tf.sqrt(x, name=None)          # 开根号，必须传入浮点数或复数
    tf.exp(x, name=None)           # 计算 e 的次方
    tf.log(x, name=None)           # 以 e 为底，必须传入浮点数或复数
    
    
    # 取符号、负、倒数、绝对值、近似、两数中较大/小的
    tf.negative(x, name=None)      # 取负(y = -x).
    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)
    
    
    # 三角函数和反三角函数
    tf.cos(x, name=None)    
    tf.sin(x, name=None)    
    tf.tan(x, name=None)    
    tf.acos(x, name=None)
    tf.asin(x, name=None)
    tf.atan(x, name=None)   
    
    
    # 其它
    tf.div(x, y, name=None)  # python 2.7 除法, x/y-->int or x/float(y)-->float
    tf.truediv(x, y, name=None) # python 3 除法, x/y-->float
    tf.floordiv(x, y, name=None)  # python 3 除法, x//y-->int
    tf.realdiv(x, y, name=None)
    tf.truncatediv(x, y, name=None)
    tf.floor_div(x, y, name=None)
    tf.truncatemod(x, y, name=None)
    tf.floormod(x, y, name=None)
    tf.cross(x, y, name=None)
    tf.add_n(inputs, name=None)  # inputs: A list of Tensor objects, each with same shape and type
    tf.squared_difference(x, y, name=None) 
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38
       39
       40
       41
       42
       43
       44
       45
       46
       47
       48
       49
       50

--------------------

## 三、矩阵数学函数 ##

# 矩阵乘法(tensors of rank >= 2)
    tf.matmul(a, b, transpose_a=False, transpose_b=False,    adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
    
    
    # 转置，可以通过指定 perm=[1, 0] 来进行轴变换
    tf.transpose(a, perm=None, name='transpose')
    
    
    # 在张量 a 的最后两个维度上进行转置
    tf.matrix_transpose(a, name='matrix_transpose')
    # Matrix with two batch dimensions, x.shape is [1, 2, 3, 4]
    # tf.matrix_transpose(x) is shape [1, 2, 4, 3]
    
    
    # 求矩阵的迹
    tf.trace(x, name=None)
    
    
    # 计算方阵行列式的值
    tf.matrix_determinant(input, name=None)
    
    
    # 求解可逆方阵的逆，input 必须为浮点型或复数
    tf.matrix_inverse(input, adjoint=None, name=None)
    
    
    # 奇异值分解
    tf.svd(tensor, full_matrices=False, compute_uv=True, name=None)
    
    
    # QR 分解
    tf.qr(input, full_matrices=None, name=None)
    
    
    # 求张量的范数(默认2)
    tf.norm(tensor, ord='euclidean', axis=None, keep_dims=False, 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.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)
    # Construct one identity matrix.
    tf.eye(2)
    ==> [[1., 0.],
         [0., 1.]]
    
    # Construct a batch of 3 identity matricies, each 2 x 2.
    # batch_identity[i, :, :] is a 2 x 2 identity matrix, i = 0, 1, 2.
    batch_identity = tf.eye(2, batch_shape=[3])
    
    # Construct one 2 x 3 "identity" matrix
    tf.eye(2, num_columns=3)
    ==> [[ 1.,  0.,  0.],
         [ 0.,  1.,  0.]]
    
    
    # 构建一个对角矩阵，rank = 2*rank(diagonal)
    tf.diag(diagonal, name=None)
    # 'diagonal' is [1, 2, 3, 4]
    tf.diag(diagonal) ==> [[1, 0, 0, 0]
                           [0, 2, 0, 0]
                           [0, 0, 3, 0]
                           [0, 0, 0, 4]]
    
    
    
    # 其它
    tf.diag_part
    tf.matrix_diag
    tf.matrix_diag_part
    tf.matrix_band_part
    tf.matrix_set_diag
    tf.cholesky
    tf.cholesky_solve
    tf.matrix_solve
    tf.matrix_triangular_solve
    tf.matrix_solve_ls
    tf.self_adjoint_eig
    tf.self_adjoint_eigvals
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38
       39
       40
       41
       42
       43
       44
       45
       46
       47
       48
       49
       50
       51
       52
       53
       54
       55
       56
       57
       58
       59
       60
       61
       62
       63
       64
       65
       66
       67
       68
       69
       70
       71
       72
       73
       74
       75
       76
       77
       78
       79

--------------------

## 四、Reduction：reduce various dimensions of a tensor ##

# 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_sum(input_tensor, axis=None, keep_dims=False, name=None)
    # 'x' is [[1, 1, 1]
    # [1, 1, 1]]
    tf.reduce_sum(x) ==> 6
    tf.reduce_sum(x, 0) ==> [2, 2, 2]
    tf.reduce_sum(x, 1) ==> [3, 3]
    tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]  # 维度不缩减
    tf.reduce_sum(x, [0, 1]) ==> 6
    
    
    # 计算输入 tensor 所有元素的均值/最大值/最小值/积/逻辑与/或
    # 或者计算指定的轴所有元素的均值/最大值/最小值/积/逻辑与/或(just like reduce_sum)
    tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None)
    tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None)
    tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None)
    tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None)
    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
    
    
    -------------------------------------------
    # 分界线以上和 Numpy 中相应的用法完全一致
    -------------------------------------------
    
    
    
    # inputs 为一 list, 计算 list 中所有元素的累计和，
    # tf.add(x, y， name=None)只能计算两个元素的和，此函数相当于扩展了其功能
    tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None)
    
    
    # Computes log(sum(exp(elements across dimensions of a tensor)))
    tf.reduce_logsumexp(input_tensor, axis=None, keep_dims=False, name=None)
    
    
    # Computes number of nonzero elements across dimensions of a tensor
    tf.count_nonzero(input_tensor, axis=None, keep_dims=False, name=None)
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38

--------------------

## 五、Scan：perform scans (running totals) across one axis of a tensor ##

# Compute the cumulative sum of the tensor x along axis
    tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None)
    # Eg:
    tf.cumsum([a, b, c])  # => [a, a + b, a + b + c]
    tf.cumsum([a, b, c], exclusive=True)  # => [0, a, a + b]
    tf.cumsum([a, b, c], reverse=True)  # => [a + b + c, b + c, c]
    tf.cumsum([a, b, c], exclusive=True, reverse=True)  # => [b + c, c, 0]
    
    
    # Compute the cumulative product of the tensor x along axis
    tf.cumprod(x, axis=0, exclusive=False, reverse=False, name=None)
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11

--------------------

## 六、Segmentation ##

> 沿着第一维(x 轴)根据 segment\_ids(list)分割好相应的数据后再进行操作

![这里写图片描述][SouthEast]

# Computes the sum/mean/max/min/prod along segments of a tensor
    tf.segment_sum(data, segment_ids, name=None)
    # Eg:
    m = tf.constant([5,1,7,2,3,4,1,3])
    s_id = [0,0,0,1,2,2,3,3]
    s.run(tf.segment_sum(m, segment_ids=s_id))
    >array([13,  2,  7,  4], dtype=int32)
    
    tf.segment_mean(data, segment_ids, name=None)
    tf.segment_max(data, segment_ids, name=None)
    tf.segment_min(data, segment_ids, name=None)
    tf.segment_prod(data, segment_ids, name=None)
    
    
    # 其它
    tf.unsorted_segment_sum
    tf.sparse_segment_sum
    tf.sparse_segment_mean
    tf.sparse_segment_sqrt_n
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19

--------------------

## 七、 序列比较与索引提取 ##

# 比较两个 list 或者 string 的不同，并返回不同的值和索引
    tf.setdiff1d(x, y, index_dtype=tf.int32, 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.unique(x, out_idx=None, name=None)
    
    
    # x if condition else y, condition 为 bool 类型的，可用tf.equal()等来表示
    # x 和 y 的形状和数据类型必须一致
    tf.where(condition, x=None, y=None, name=None)
    
    
    # 返回沿着坐标轴方向的最大/最小值的索引
    tf.argmax(input, axis=None, name=None, output_type=tf.int64)
    tf.argmin(input, axis=None, name=None, output_type=tf.int64)
    
    
    # x 的值当作 y 的索引，range(len(x)) 索引当作 y 的值
    # y[x[i]] = i for i in [0, 1, ..., len(x) - 1]
    tf.invert_permutation(x, name=None)
    
    
    # 其它
    tf.edit_distance
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25

--------------------

## 八、参考资料 ##

http://blog.csdn.net/mzpmzk/article/details/77337851

[SouthEast]: /images/20220605/c5d7041478bc409298ae5120503cbb38.png