TensorFlow 1.1 Python API

TensorFlow 1.1 Python API (一)

Tensor操作

• 切片与融合

操作	描述
tf.slice(input_,begin,size,name=None)	从tensor中提取一部分切片 # ‘input’ is [[[1, 1, 1], [2, 2, 2]], 　　　　　[[3, 3, 3], [4, 4, 4]], 　　　　　[[5, 5, 5], [6, 6, 6]]] tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]]； tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3], [4, 4, 4]]]； tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> [[[3, 3, 3]], [[5, 5, 5]]]
tf.split(value, num_or_size_splits, axis=0, num=None, name=’split’)	将tensor切割成subtensor，其中当num_or_size_splits为标量的时候，表示沿着axis将tensor均匀分成若干等分，当num_or_size_splits为tensor的时候，表示将tensor沿着axisa按照num_or_size_splits进行分割 # ‘value’ is a tensor with shape [5, 30] # Split ‘value’ into 3 tensors with sizes [4, 15, 11] along dimension 1； split0, split1, split2 = tf.split(value, [4, 15, 11], 1) tf.shape(split0) ==> [5, 4] tf.shape(split1) ==> [5, 15] tf.shape(split2) ==> [5, 11] # Split ‘value’ into 3 tensors along dimension 1 split0, split1, split2 = tf.split(value, num_or_size_splits=3, axis=1) tf.shape(split0) ==> [5, 10]
tf.pad(tensor,paddings,mode=’CONSTANT’,name=None)	在原有的矩阵上进行填充 # ‘t’ is [[1, 2, 3], [4, 5, 6]]. # ‘paddings’ is [[1, 1,], [2, 2]]. # rank of ‘t’ is 2. pad(t, paddings, “CONSTANT”) ==> [[0, 0, 0, 0, 0, 0, 0], 　　　　　　　　　　　　　　　　 [0, 0, 1, 2, 3, 0, 0], 　　　　　　　　　　　　　　　　 [0, 0, 4, 5, 6, 0, 0], 　　　　　　　　　　　　　　　　 [0, 0, 0, 0, 0, 0, 0]] pad(t, paddings, “REFLECT”) ==> [[6, 5, 4, 5, 6, 5, 4], 　　　　　　　　　　　　　　　 [3, 2, 1, 2, 3, 2, 1], 　　　　　　　　　　　　　　　 [6, 5, 4, 5, 6, 5, 4], 　　　　　　　　　　　　　　　 [3, 2, 1, 2, 3, 2, 1]] pad(t, paddings, “SYMMETRIC”) ==> [[2, 1, 1, 2, 3, 3, 2], 　　　　　　　　　　　　　　　　[2, 1, 1, 2, 3, 3, 2], 　　　　　　　　　　　　　　　　[5, 4, 4, 5, 6, 6, 5], 　　　　　　　　　　　　　　　　[5, 4, 4, 5, 6, 6, 5]]
tf.concat(values,axis,name=’concat’)	沿着axis将tensor进行拼接 t1 = [[1, 2, 3], [4, 5, 6]] t2 = [[7, 8, 9], [10, 11, 12]] tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], 　　　　　　　　　　[7, 8, 9], [10, 11, 12]] tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9], 　　　　　　　　　　[4, 5, 6, 10, 11, 12]] # tensor t3 with shape [2, 3] # tensor t4 with shape [2, 3] tf.shape(tf.concat([t3, t4], 0)) ==> [4, 3] tf.shape(tf.concat([t3, t4], 1)) ==> [2, 6]
tf.stack(values,axis=0,name=’stack’)	将列表中所有tensor沿着axis进行拼接 # ‘x’ is [1, 4] # ‘y’ is [2, 5] # ‘z’ is [3, 6] stack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] # Pack along first dim. stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]
tf.reverse(tensor,axis,name=None)	沿着某个axis进行反转 # tensor ‘t’ is [[[[ 0, 1, 2, 3], # 　　　　　　[ 4, 5, 6, 7], #　　　　　　 [ 8, 9, 10, 11]], #　　　　　　[[12, 13, 14, 15], #　　　　　　 [16, 17, 18, 19], #　　　　　　 [20, 21, 22, 23]]]] # tensor ‘t’ shape is [1, 2, 3, 4] # ‘dims’ is [3] or ‘dims’ is -1 reverse(t, dims) ==> [[[[ 3, 2, 1, 0], 　　　　　　　　　　[ 7, 6, 5, 4], 　　　　　　　　　　[ 11, 10, 9, 8]], 　　　　　　　　　　[[15, 14, 13, 12], 　　　　　　　　　　[19, 18, 17, 16], 　　　　　　　　　　[23, 22, 21, 20]]]] # ‘dims’ is ‘[1]’ (or ‘dims’ is ‘[-3]’) reverse(t, dims) ==> [[[[12, 13, 14, 15], 　　　　　　　　　　[16, 17, 18, 19], 　　　　　　　　　　[20, 21, 22, 23] 　　　　　　　　　　[[ 0, 1, 2, 3], 　　　　　　　　　　[ 4, 5, 6, 7], 　　　　　　　　　　[ 8, 9, 10, 11]]]] # ‘dims’ is ‘[2]’ (or ‘dims’ is ‘[-2]’) reverse(t, dims) ==> [[[[8, 9, 10, 11], 　　　　　　　　　　[4, 5, 6, 7], 　　　　　　　　　　[0, 1, 2, 3]] 　　　　　　　　　　[[20, 21, 22, 23], 　　　　　　　　　　[16, 17, 18, 19], 　　　　　　　　　　[12, 13, 14, 15]]]]
tf.transpose(a,perm=None,name=’transpose’)	将tensor进行转置 # ‘x’ is [[1 2 3] #　　　[4 5 6]] tf.transpose(x) ==> [[1 4] 　　　　　　　　[2 5] 　　　　　　　　[3 6] # ‘x’ is [[[1 2 3] #　　　[4 5 6]] #　　　[[7 8 9] #　　　[10 11 12]]] tf.transpose(x, perm=[0, 2, 1]) ==> [[[1 4] 　　　　　　　　　　　　　　　[2 5] 　　　　　　　　　　　　　　　[3 6]] 　　　　　　　　　　　　　　　[[7 10] 　　　　　　　　　　　　　　　[8 11] 　　　　　　　　　　　　　　　[9 12]]]
tf.one_hot(indices,depth,on_value=None,off_value=None,axis=None, dtype=None,name=None)	返回一个one-hot tensor，在参数indices中的值表示tenosor中该位置的值取on_value，其余的位置取值为off_value。 如果on_value和off_value没有指定，那么on_value默认为1，off_value默认为0。 如果indices的rank为N，则输出的rank为N+1 indices = [0, 2, -1, 1] depth = 3 on_value = 5.0 off_value = 0.0 axis = -1 Then output is [4 x 3]: output = 　　　　[5.0 0.0 0.0] // one_hot(0) 　　　　[0.0 0.0 5.0] // one_hot(2) 　　　　[0.0 0.0 0.0] // one_hot(-1) 　　　　[0.0 5.0 0.0] // one_hot(1) indices = [[0, 2], [1, -1]] depth = 3 on_value = 1.0 off_value = 0.0 axis = -1 Then output is [2 x 2 x 3]: output = 　　　　[ 　　　　[1.0, 0.0, 0.0] // one_hot(0) 　　　　[0.0, 0.0, 1.0] // one_hot(2) 　　　　][ 　　　　[0.0, 1.0, 0.0] // one_hot(1) 　　　　[0.0, 0.0, 0.0] // one_hot(-1) 　　　　] indices = [0, 1, 2] depth = 3 The output will be output = 　　　　[[1., 0., 0.], 　　　　[0., 1., 0.], 　　　　[0., 0., 1.]]
tf.gather(params, indices, validate_indices=None, name=None)	根据indices从params中选出slices聚合成新的tensor

---

• 数据类型转换Casting

操作	描述
tf.string_to_number(string_tensor,out_type=None,name=None)	字符串转化为数值
tf.to_double(x,name=’ToDouble’)	转化为64位浮点类型-float64
tf.to_float(x,name=’ToFloat’)	转化为32位浮点类型-float32
tf.to_int32(x,name=’ToInt32’)	转化为32位整型-int32
tf.to_int64(x,name=’ToInt64’)	转化为64位整型-int64
tf.cast(x,dtype,name=None)	将张量转换为指定的数据类型 # tensor a is [1.8, 2.2], dtype=tf.float tf.cast(a, tf.int32) ==> [1, 2], dtype=tf.int32

---

• shape操作

操作	描述
tf.shape(input,name=None,out_type=tf.int32)	返回tensor的shape # ‘t’ is [[[1, 1, 1], [2, 2, 2]],            [[3, 3, 3], [4, 4, 4]]] shape(t) ==> [2, 2, 3]
tf.size(input,name=None,out_type=tf.int32)	返回tensor中元素的个数 # ‘t’ is [[[1, 1, 1], [2, 2, 2]],            [[3, 3, 3], [4, 4, 4]]] size(t) ==> 12
tf.rank(input,name=None)	返回tensor的rank，tensor的rank和矩阵的rank不同，它是指唯一表示tensor中所有元素所需的索引个个数，即常见的“ndims”，“degree”，“order” # ‘t’ is [[[1, 1, 1], [2, 2, 2]],            [[3, 3, 3], [4, 4, 4]]] # shape of tensor ‘t’ is [2, 2, 3] rank(t) ==> 3
tf.reshape(tensor,shape,name=None)	将tensor转换成指定的shape # tensor ‘t’ is [1, 2, 3, 4, 5, 6, 7, 8, 9] tensor ‘t’ has shape [9] reshape(t, [3, 3]) ==> [[1, 2, 3], 　　　　　　　　　　[4, 5, 6], 　　　　　　　　　　[7, 8, 9]] # tensor ‘t’ is [[[1, 1, 1], [2, 2, 2]], 　　　　　　[[3, 3, 3], [4, 4, 4]], 　　　　　　[[5, 5, 5], [6, 6, 6]]] # tensor ‘t’ has shape [3, 2, 3] pass ‘[-1]’ to flatten ‘t’, reshape(t, [-1]) ==> [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5, 6, 6, 6]
tf.stack(values,axis=0,name=’stack’)	将values中的tensor沿着axis堆叠起来生成一个高纬度的tensor， # ‘x’ is [1, 4] # ‘y’ is [2, 5] # ‘z’ is [3, 6] stack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] # Pack along first dim. stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]
tf.squeeze(input,axis=None,name=None,squeeze_dims=None)	将tensor中size为1的维度移除 # ‘t’ is a tensor of shape [1, 2, 1, 3, 1, 1] shape(squeeze(t)) ==> [2, 3]; # ‘t’ is a tensor of shape [1, 2, 1, 3, 1, 1] shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]
tf.expand_dims(input,axis=None,name=None,dim=None)	在tensor中axis中插入size为1的一个维度 # ‘t’ is a tensor of shape [2] shape(expand_dims(t, 0)) ==> [1, 2] shape(expand_dims(t, 1)) ==> [2, 1] shape(expand_dims(t, -1)) ==> [2, 1]
tf.meshgrid(*args, **kwargs)	根据向量创建矩阵 #Calling X, Y = meshgrid(x, y) with the tensors 　　　x = [1, 2, 3] 　　　y = [4, 5, 6] results in 　　　X = [[1, 1, 1], 　　　　　[2, 2, 2], 　　　　　[3, 3, 3]] 　　　Y = [[4, 5, 6], 　　　　　[4, 5, 6], 　　　　　[4, 5, 6]]， 其中生成矩阵X的列向量为x的复制，生成矩阵Y的行向量为y的复制