1、類型轉換

tf.string_to_number(string_tensor,out_type=None,name=None)? #字符串轉為數字

tf.to_double(x,name='ToDouble')? #轉為64位浮點類型

tf.to_float(x,name='ToFloat')? ?#轉為32位浮點類型

tf.to_int32(x,name='ToInt32')? #轉為32位整型

tf.to_int64(x,name='ToInt64')? #轉為64位整型

tf.cast(x,dtype,name=None)? #將x或者x.values轉換為dtype所指定的類型

2、數值操作

tf.ones(shape,stype)? #生成1的張量。tf.ones([2,3],tf.int32)

tf.zeros(shape,dtype) #生成0的張量。

tf.ones_like(input)? #生成和輸入張量一樣形狀和類型的1。

tf.zeros_like(input) #生成和輸入張量一樣形狀和類型的0。

tf.fill(shape,value)? #為指定形狀填值。

tf.constant(value,shape) #生成常量。

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)? #正太分布隨機數

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)? #截斷正太分布隨機數

tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)? #均勻分布隨機數

tf.random_crop(value, size, seed=None, name=None)? #將輸入值value按照size尺寸隨機剪輯

tf.set_random_seed(seed)? #設置隨機數種子

tf.linspace(start, stop, num, name=None)? ?#在[start,stop]范圍內產生num個數的等差數列。start,stop要用浮點數表示。

tf.range(start,limit=None,delta=1,name='range')? #在[start,limit)范圍內以步進值delta產生等差數列。

3、形狀變換

tf.shape(input,name=None)? ?#返回一個張量，其值為輸入參數input的shape。這個input可以是個張量，也可以是一個數組或list。

tf.size(input,name=None)? ?#返回一個張量，輸入數據的元素數量。

tf.rank(input, name=None)? ?#返回一個張量，輸入數據的rank。

tf.reshape(input, shape, name=None)? ?#將原有輸入數據的shape按照指定形狀進行變化，生成一個新的張量。

tf.expand_dims(input, dim, name=None)? #插入維度1進行一個tensor中。

tf.squeeze(input,dim,name=None)? ?#將dim指定的維度去掉（dim所指定的維度必須為1，否則出錯）。

4、數據操作

tf.slice(input,begin,size,name=None)? ?#將輸入數據input進行切片操作，begin與size可以為list類型。

tf.split(value,num_or_size_splits, axis=0, num=None, name="split")? ?#沿著某一維度將tensor分離為num_or_size_splits。

tf.concat(concat_dim, values, name='concat')? #沿著某一維度連接tensor

tf.stack(input, axis=0)? ? #將兩個N維張量列表沿著axis軸組合成一個N+1維的張量

tf.unstack(value, num=None, axis=0, name="unstack")? ?#將輸入value按照指定的列或行進行拆分，并輸出含有num個元素的列表（list）axis=0表示按行拆分，axis=1表示按列拆分。

tf.gather(params,indices,validate_indices=None,name=None)? ?#合并索引indices所指定params中的切片

tf.one_hot(indices,depth,on_value=None,off_value=None,axis=None,dtype=None,name=None)? ?#生成符合onehot編碼的張量。

tf.count_nonzero(input_tensor,axis=None,keep_dims=False,dtype=dtype.int64,name=None,reduction_indices=None)? ?#統計非0個數

5、算術運算函數

tf.assign(x,y,name=None)? ?#令x=y

tf.add(x,y,name=None)? ? #求和

tf.subtract(x,y,name=None)? ? #減法

tf.multiply(x,y,name=None)? ?#乘法

tf.divide(x,y,name=None)? ?#除法

tf.mod(x,y,name=None)? ?#取模

tf.abs(x,name=None)? ?#求絕對值

tf.negative(x, name=None)? ?#取負

tf.sign(x, name=None)? ? #根據x的符號，返回0或1

tf.square(x,name=None)? ?#平方

tf.round(x, name=None)? ? #舍入最接近的整數。

tf.sqrt(x,name=None)? ?#開根號

tf.pow(x,y,name=None)? ? #冪次方計算

tf.exp(x,name=None)? ?#計算e的次方

tf.log(x,name=None)? ?#計算log，一輸入計算e的ln，兩輸入以第二輸入為底。

tf.maximum(x,y,name=None)? ? #返回最大值

tf.minimum(x,y,name=None)? ? #返回最小值

tf.cos(x,name=None)? ? #三角函數sin,tan,atan

tf.cond(pred,true_fn=None,false_fn=None,strict=False,name=None,fn1=None,fn2=None)? ?#滿足條件執行fn1，否則執行fn2

6、矩陣相關運算

tf.diag(diagonal,name=None)? ?#返回一個給定對角值的對角tensor。

tf.diag_part(input,name=None)? ?#功能與上面相反

tf.trace(x,name=None)? ?#求一個二維tensor足跡，即對角值diagonal之和

tf.transpose(a,perm=None,name='transpose')? #讓輸入a按照參數perm指定的維度順序進行轉置操作。

tf.reverse(tensor,dims,name=None)? ?#沿著指定的維度對輸入進行反轉。其中，dims為列表，元素含義為指向輸入shape的索引。

tf.matmul(a,b,transpose_a=False,transpose_b=False)? ?#矩陣相乘

tf.matrix_determinant(input,name=None)? ?#返回方陣的行列式

tf.matrix_inverse(input,adjoint=None,name=None)? ?#求方陣的逆矩陣

tf.cholesky(input,name=None)? ?#對輸入方陣cholesky分解，即把一個對稱正定的矩陣表示成一個下三角矩陣L和其轉置的乘積的分級

tf.matrix_solve(matrix,rhs,adjoint=None,name=None)? ?#求解矩陣方程，返回矩陣變量。

7、序列比較與索引提取

tf.argmin(input,axis,name=None)? ?#返回input最小值的索引index

tf.argmax(input,axis,name=None)? ?#返回input最大值的索引index。

tf.setdiffld(x,y,name=None)? ? ?#返回x,y中不同值的索引

tf.where(condition,x=None,y=None,name=None)? ?#根據指定條件，返回對應的值或坐標。

tf.unique(x,name=None)? ?#返回一個元組tuple(y,idx)。其中，y為x列表的唯一化數據列表，idx為x數據對應y元素的index。

tf.invert_permutation(x,name=None)? ? #沿著input的第一維進行隨機重新排列。

轉載于:https://www.cnblogs.com/xbyfight/p/11083218.html

總結

以上是生活随笔為你收集整理的tensorflow常见函数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。