Tensorflow中一些常见的函数

浅浅的花香味﹌ 2022-06-06 13:23 378阅读 0赞

## 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。 ####

![这里写图片描述][SouthEast]

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

### 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 ####

如：

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()` 和 `Operation.run()` 方法代替 `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 ####

例如：

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： ####

##### 上面得到两个变量，后面的一个得到上三个变量，因为global\_step在声明的时候说明不是训练变量，用来关键字trainable=False。 #####

[SouthEast]: /images/20220606/9fe37ffdd6264d83b881437545ca01f8.png