《TensorFlow Machine Learning Cookbook》--1.5

声明运算(或者说操作,operations)

现在我们必须学习可以添加到Tensorflow计算图中的其他操作了。

 

准备工作

除了标准的算法运算，Tensorflow还给我们提供了更多运算，我们应该了解掌握。在继续往下进行之前，应该知道如何使用它们。跟之前一样，可以运行下面的代码来创建一个图会话：

import tensorflow as tf
sess = tf.Session()

 

如何做...

 

Tensorflow对张量提供了标准运算：add(), sub(), mul() 和div()。需要注意的是，这个章节中的所有运算都是将输入按元素进行计算求值，除非有其他特别说明：

1.Tensorflow提供了几个关于div()的变体及相关函数。

2.值得一提的是div()返回(张量)的类型和输入是一样的。这意味着，如果输入是整数，它返回除法商的“取地板”(floor)值(类似于Python2中的对应除法)；要返回Python3版本的类型，Tensorflow使用函数 truediv() ,在除之前将输入的整数强制转换成浮点型，最后返回浮点数。如下代码所示:

print(sess.run(tf.div(3, 4)))
# 0
print(sess.run(tf.truediv(3, 4)))
# 0.75

3.如果我们使用的是浮点型数，想进行整数除法，可以使用函数 floordir() . 此函数返回一个浮点型数，但会四舍五入到最近的整数。函数使用方法见下面代码：

print(sess.run(tf.floordiv(3.0, 4.0)))
# 0.0

4.另外一个重要的函数是 mod() ，它返回除法运算后的余数。看下面代码：

print(sess.run(tf.mod(22.0, 5.0)))
# 2.0

5.两个张量之间的向量叉积由函数 cross() 完成，向量叉积只对两个三维向量有定义，所以它只接收两个三维的张量。如下代码所示：

printf(sess.run(tf.cross([1., 0., 0.], [0., 1., 0.])))
# [0.   0.   1.0]

6.下面给出一个其他常用函数的表格，这些函数都是进行元素级别的运算。

abs()	输入张量的绝对值
ceil()	输入张量的天花板函数
cos()	输入张量的余弦函数
exp()	输入张量的e为底的指数函数
floor()	输入张量的地板函数
inv()	输入张量的倒数(即1/x)
log()	输入张量的自然对数函数
maxinum()	两个张量中按元素比较最大值函数
minimun()	两个张量中按元素比较最小值函数
neg()	输入张量的负数
pow()	第一个张量的第个二量的幂次方
round()	输入张量的四舍五入值
rsqrt()	输入张量的平方根之倒数
sign()	输入张量的符号函数
sin()	输入张量的正弦函数
sqrt()	输入张量的平方根
square()	输入张量的平方

7.专用数学函数：以下是一些专用于机器学习的函数，这里特别提一下；Tensorflow为它们提供了一些内部函数。再次强调，这些函数进行元素级别的操作，除非有特别说明：

digamma()	Psi函数，lgamma()函数的导数
erf()	张量的高斯误差函数,元素级别的
erfc()	张量的互补误差函数
igamma()	低正则化不完全误差函数
igammac()	高正则化不完全误差函数
lbeta()	beta函数的绝对值的自然对数
lgamma()	gamma函数的绝对值的自然对数
squared_difference()	两个张量之间的方差

 

如何工作...

 

明白什么样的函数可以让我们添加到计算图中，这点很重要。大多数情况下，我们会关心前面提到的函数。我们也可以将前面的函数进行组合，进而生成许多不同的定制函数，例如：

# Tangent function (tan(pi/4)=1)
print(sess.run(tf.div(tf.sin(3.1416/4.), tf.cos(3.1416/4.))))
# 1.0

 

更多...

 

如何希望给计算图添加一些这儿没有列出的运算，我们则可以基于前面的这些函数创建自己的运算。下面的例子就是把前面没有列出的运算增加到计算图中，添加了多项式:

def custom_polynomial(value):
    return(tf.sub(3 * tf.square(value), value) + 10)
print(sess.run(custom_polynomial(11)))
# 362