tensorflow函数一览

tensorflow函数一览

注意： 本文介绍的是version 1.3.0下的函数，有些函数可能在旧版本中没有。

转载请注明出处变天式的博客

前言：名词解释

---

tensor	张量，可以是一个数，也可以是一个向量、矩阵或者高纬度数据
operator	操作，在tensorflow里面，函数也叫作操作
Uni	一元，表示操作只有一个参数
Bi	二元，表示操作有2个参数
element-wise	元素级操作，表示该操作是对张量的每一个元素进行一一对应的操作，输出和输入的张量维度和元素个数保持不变
variable	变量，表示可以微分和手动更新的参数，代表神经网络中可以训练的参数，比如weight和bias
placeholder	占位符，如果把一整个神经网络看成一个未知的函数的话，占位符就相当于函数的输出
rank	秩，数组的维度的维度，例如标量的rank=0, rank(vector)=1, rank(matrix)=2, rank([[[1],[1]],[[2],[2]]])=3,…,以此类推

一元元素级操作（Uni Element-wise Operaters)

一元元素操作的输入参数一般是(tensor, name=None), name表示操作的名称，tensor是输入张量， 输出是一个shape和输入完全相同的张量，表示对输入张量tensor的每一个参数都申请了同一个操作的结果。例如abs([1., -1., 3., -4.]) => [1., 1., 3., 4.]。

数学函数

tf.abs|log|exp|square|sqrt|reciprocal	(x, name=None)

Computes the absolute value/log/exp/square/sqare root/reciprocal of a tensor element-wise.
计算张量每个元素的绝对值/自然对数/自然指数/平方/平方根/倒数。

import tensorflow as tf
tf.global_variables_initializer()
sess.run(tf.reciprocal([[3., 4.]]))
## array([[ 0.33333334,  0.25      ]], dtype=float32)

三角函数与反三角函数

函数名	参数	-
tf.sin|cos|tan	(x, name=None)	三角函数
tf.asin|acos|atan	(x, name=None)	反三角函数

Computes sin/cos/tan/asin/acos/atan of x element-wise.
按照元素计算正弦/余弦/正切/反正弦/反余弦/反正切值，输出和x的形状相同。
反三角函数指的是三角函数在其单调区间中的反函数。具体可百度之

import math
sess.run(tf.asin([0, 0.5, math.sqrt(0.5), 1.0]))
# array([ 0.        ,  0.52359879,  0.78539813,  1.57079637], dtype=float32)

取整函数

tf.ceil|tf.floor|tf.round|tf.rint	(x, name=None)

Returns element-wise smallest integer in not less than x.
Returns element-wise biggest integer in not greater than x.
Returns element-wise integer closest to x.
按照元素向上取整\向下取整\四舍五入。tf.rint和tf.round的效用相同。四舍五入的时候如果小数部分是0.5的话，则取偶数，例如(-0.5->0.), (1.5->2.0).

sess.run(tf.ceil([0, 0.5, math.sqrt(0.5), 1.0]))
# array([ 0.,  1.,  1.,  1.], dtype=float32)
sess.run(tf.floor([0, 0.5, math.sqrt(0.5), 1.0]))
# array([ 0.,  0.,  0.,  1.], dtype=float32)
sess.run(tf.round([0, 0.5, math.sqrt(0.5), 1.5]))
# array([ 0.,  0.,  1.,  2.], dtype=float32)
sess.run(tf.rint([0, 0.5, math.sqrt(0.5), -0.5]))
# array([ 0.,  0.,  1.,  0.], dtype=float32)

最值索引

函数名	函数参数	函数说明
tf.arg_max|arg_min	(x, dimension, name=None)	沿着指定的维度返回张量在指定维度最大值（或最小值)索引
tf.argmax|argmin	(x, axis=None, name=None, dimension=None)	同上

tf.argmax 和tf.arg_max执行的是同一个操作，但是推荐使用argmax,因为arg_max在将来会被deprecated.

复杂的函数/激活函数

函数名	函数参数	函数说明
tf.sinh|cosh|tanh	(x, name=None)	双曲正弦，双曲余弦，双曲正切
tf.asinh|acosh|atanh	(x, name=None)	反双曲正弦，反双曲余弦，反双曲正切
tf.sigmoid	(x, name=None）	Sigmoid函数
tf.rsqrt	(x, name=None)	平方根的倒数

双曲三角函数

$$sinh(x) = \frac{e^x - e^{-x}}{2.0} \\ cosh(x) = \frac{e^x + e^{-x}}{2.0} \\ tanh(x) = \frac{sinh(x}{cosh(x)}=\frac{e^x - e^{-x}}{e^x + e^{-x}}$$
反双曲三角函数，故名思议，是三角函数的反函数
$$asinh(sinh(x)) = x \\ acosh(cosh(x)) = x \\ atanh(tanh(x)) = x$$
Sigmoid函数
$$sigmoid(x) = \frac{1}{1+e^{-x}} = \frac{e^x}{1+e^x}$$
rsqrt函数
$$rsqrt(x) = \frac{1}{\sqrt{x}}$$
y=tanh(x)的取值范围在(-1, +1)之间, y=sigmoid(x)的取值范围在(0, 1)之间，这两个函数都是S型曲线，通常用作神经网络的激活函数。

类型转换函数

函数名	函数参数	函数说明
tf.cast	(x, dtype, name=None)	强制类型转换
tf.to_bfloat	(x, name='ToBFloat16')	Casts a tensor to type bfloat16
tf.to_float	(x, name='ToFloat')	Casts a tensor to type float32
tf.to_double	(x, name='ToDouble')	Casts a tensor to type float64
tf.to_int32	(x, name='ToInt32')	Casts a tensor to type int32
tf.to_int64	(x, name='ToInt64')	Casts a tensor to type int64
tf.bitcast	(x, dtype, name=None)	强制类型转化，改变类型但是不改变内存中保存的内容
tf.as_string	（x, precision=None, scientific=None, shortest=None, width=None, fill=None, name=None)	转换成字符串
tf.sign	(input, name=None)	指示函数或曰符号函数,输出张量的类型和输出相同

1). cast(x, dtype, name=None)

Casts a tensor to a new type.
强制将张量中元素转换成新的类型

2). bitcast(x, dtype, name=None)

在内存中保存的二进制内容不变得情况下改变类型，相当于改变了二进制串的解码方式，所以该函数会改变张量的形状(shape).

3). as_string(x, precision=None, scientific=None, shortest=None, width=None, fill=None, name=None)

precision: 精度
scitentific:科学计数法
shortest: 是否选择最短的表示法
width: 宽度
fill:补全，如果设置了宽度且字符串小于width时补全字符，默认补全字符是空格

4). sign(input, name=None)

// for each element x in input:（伪代码）
if x > 0 then y = 1
if x == 0 or x is Nan then y = 0
if x < 0 then y = -1

5). to_bfloat16 | to_float | to_double | to_int32 | to_int64
将张量转化为16位、32位、64位精度的浮点小数
或者32位、64位的整形数字。

断言类函数

函数名	函数参数	断言式
tf.assert_non_negative|assert_negative		断言非负数,断言是负数
tf.assert_non_positive|assert_positive		断言非正数，断言是正数
tf.assert_interger		断言是整数
tf.check_numerics	(x,message,name=None)	检查x中是否有Nan或者Inf,有的话报错(InvalidArguments)，没有的话返回x
tf.assert_scalar	(tensor, name=None)	判断tensor是否是标量

二元元素级操作（Bi Element-wise Operaters)

二元元素集操作指的是输入时2个张量，输出为一个张量，输出张量为输入张量中的元素按照位置进行相应计算的操作。输入参数一般为(tensor_x, tensor_y, name=None)

算术操作 （加减乘除等）

函数名	函数参数	函数说明
tf.add	(x, y, name=None)	加法, tf.add(x,y)等价于x+y,支持广播（broadcasting）

断言类函数

二元断言操作

函数名	函数参数	断言式
tf.assert_equal|assert_none_equal	(x, y, data=None, …)	断言是否相等
tf.assert_greater|assert_greater_equal	(x, y, data=None, …)	断言是否大于/大于等于
tf.assert_less|assert_less_equal	(x, y, data=None, …)	断言是否小于/小于等于

反三角函数

函数名	函数参数	断言式
tf.atan2	(x, y, name=None)	tf.atan(y/x)

列表元素级操作（List Element-wise Operaters)

列表元素级操作指的是输入时一组张量(张量的列表), 输出是列表中张量按照位置进行相应操作输出结果。

算术操作（加减乘除等）

函数名	函数参数	函数说明
tf.accumulate_n	(inputs, shape=None, tensor_dtype=None, name=None)	加法
tf.add_n	(inputs, name=None)	加法,和accumulate_n执行相同的操作

a = [[1, 2, 3], [3, 4, 1]]
b = [[5, 0, -1], [0, 6, 4]]
tf.accumulate_n([a, b, a]) #=> a+b+a => [[7, 4, 5], [6, 14, 6]]

tf.add_n和tf.accumulate_n执行的操作，区别在于tf.add_n会在所有的输入准备就绪后开始求和而tf.accumulate_n不会。

断言操作

函数名	函数参数	函数说明
tf.assert_proper_iterable	(values)

1). assert_proper_iterable(values)

Static assert that values is a “proper” iterable.
判断values是不是一个合适的迭代器，如果values是一个Tensor, SparseTensor, np.array, tf.compat.bytes_or_texts_types则报错。或者不是迭代器也报错。
这个函数时有用处的，因为张量Tensor或者数组np.array本身也是可迭代的 (iterable).

张量生成操作(Tensor Generation Operators)

根据常量生成张量

函数名	函数参数	函数说明
tf.constant	(value, dtype=None, shape=None, name=’Const’, verify_shape=False)	从常量生成
tf.zeros|ones		根据形状创建等值张量
tf.zeros_like|ones_like		根据推断的形状创建等值张量

根据概率分布生成张量

函数名	函数参数	概率分布名
tf.random_uniform		均匀分布
tf.random_normal		正态分布
tf.zeros_like|ones_like		根据推断的形状创建等值张量

张量切片操作（Tensor Slice Operations)

函数名	函数参数	函数说明
tf.boolean_mask	(tensor, mask, name)	Numpy equivalent is tensor[mask]

断言操作

函数名	函数参数	函数说明
tf.assert_rank	(x, rank, …)	判断x的rank是不是和指定的rank相等
tf.assert_rank_at_least	(x, rank, …)	判断x的rank是不是大于等于指定的rank
tf.zeros_like|ones_like		根据推断的形状创建等值张量
tf.assert_same_float_dtype	(tensors=None, dtype=None)	判断是否是指定的float类型
tf.assert_type	(tensor, tf_type, message=None, name=None)	判断tensor是否是指定的类型q

变量操作 （Variables Operations）

创建操作

赋值操作 （assign )

变量的赋值操作，var必须是一个Variable,可以没有初始化。

函数名	函数参数	函数说明
tf.assign	(var, value,…)	Update var by assigning value to it, var = value
tf.assign_add	(var, value,…)	Update var by adding value to it, var += value
tf.assign_sub	(var, value,…)	Update var by substracting value from it, var -= value

初始化操作

函数名	函数参数	函数说明
tf.report_uninitialized_variables	(var_list=None, name=’report_uninitialized_variables’)	返回没有还没有被初始化的变量

概率分布

函数名	函数参数	函数说明
tf.betainc	(a, b, x, name=None)	计算正则非完全贝塔积分

1). tf.betainc(a, b, x)

$$I_x(a, b) = \frac{B(x; a, b)}{B(a, b)}$$
其中
$$B(x; a, b) = \int_0^x t^{a-1} (1 - t)^{b-1} dt$$
在计算贝塔分布的时候有用。

统计操作

函数名	函数参数	函数说明
tf.bincount	(arr, weights=None, minlength=None, maxlength=None, dtype=tf.int32)	统计张量arr中每个数出现的次数

未完待续