Tensorflow笔记：

最新推荐文章于 2022-06-17 15:54:21 发布

code_mryxj

最新推荐文章于 2022-06-17 15:54:21 发布

阅读量203

点赞数

CC 4.0 BY-SA版权

分类专栏： numpy keras tensorflow

本文链接：https://blog.youkuaiyun.com/yexiaohhjk/article/details/96739630

numpy 同时被 3 个专栏收录

10 篇文章

订阅专栏

tensorflow

9 篇文章

订阅专栏

keras

8 篇文章

订阅专栏

本文深入探讨了TensorFlow中关键函数的应用，包括embedding_lookup、cond、l2_normalize和reduce_sum等，通过实例演示了如何利用这些函数进行高效的数据处理和算法实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

不定期更新学习Tensorflow过程的笔记。

tf.nn.embedding_lookup(embedding, ids = [])

在 Tensorflow里Variable变量并不能像python里数组或者Numpy数组用下标访问，可以使用如下图类似的矩阵相乘操作来选取特定维度，比如我们想选右边第四行的向量。
在这里插入图片描述
在Tensorflow里则有tf.nn.embedding_lookup(embddings, ids = [])操作类似查表来选取里特定的向量，在word2vec, transE等算法里这个操作很常见。

import numpy as np
import tensorflow as tf

data = np.array(np.eye(4,4))
data = tf.convert_to_tensor(data)
lk = [0,1]
lookup_data = tf.nn.embedding_lookup(data,lk)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    print(sess.run(lookup_data))

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]]

tf.cond(pred, fn1, fn2, name=None)

类似c++里三目选择符，tensorflow里选择语句用tf.cond()，来控制流的方向。

注意，fn1, fn2是一个函数。
例子：

import tensorflow as tf
a=tf.constant(2)    
b=tf.constant(3)    
x=tf.constant(4)    
y=tf.constant(5)    
z = tf.multiply(a, b)    
result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y))    
with tf.Session() as session:    
    print(result.eval())

tf.nn.l2_normalize(x, dim, epsilon=1e-12, name=None)

tensorflow里对某个向量求l2范数的操作。

x为输入的向量； 
dim为指定按哪个维度求l2范化，dim取值为0或1，0代表列，1代表行； 
epsilon为l2范化的最小值边界；

例子：

import tensorflow as tf
input_data = tf.constant([[1.0,2,3],[4.0,5,6],[7.0,8,9]])

output1 = tf.nn.l2_normalize(input_data, dim = 0)
output2 = tf.nn.l2_normalize(input_data, dim = 1)
with tf.Session() as sess:
    print(sess.run(output1))
    print(sess.run(output2))

dim = 0 , 为按列进行l2范化
$\sqrt{1^2+4^2+7^2} = \sqrt{66}$
$\sqrt{2^2+5^2+8^2} = \sqrt{93}$
$\sqrt{3^2+6^2+9^2} = \sqrt{126}$

[[1./norm(1), 2./norm(2) , 3./norm(3) ]
[4./norm(1) , 5./norm(2) , 6./norm(3) ]    =
[7./norm(1) , 8./norm(2) , 9./norm(3) ]]
[[0.12309149 0.20739034 0.26726127]
[0.49236596 0.51847583 0.53452253]
[0.86164045 0.82956135 0.80178374]]

dim =1 ，为按行进行l2范化
$\sqrt{1^2+2^2+3^2} = \sqrt{14}$
$\sqrt{2^2+5^2+8^2} = \sqrt{77}$
$\sqrt{3^2+6^2+9^2} = \sqrt{194}$

[[1./norm(1), 2./norm(1) , 3./norm(1) ]
[4./norm(2) , 5./norm(2) , 6./norm(2) ]    =
[7./norm(3) , 8..norm(3) , 9./norm(3) ]]
[[0.12309149 0.20739034 0.26726127]
[0.49236596 0.51847583 0.53452253]
[0.86164045 0.82956135 0.80178374]]

tf.reduce_sum(input_tensor,axis=None,keep_dims=False,name=None)

tf.reduce_sum 是 tensor 求和的工具。其参数中：
axis =0,1代表队列，行求和。
keep_dims = True 表示保留原来维度，否则就降维。

x = tf.constant([[1, 1, 1], [1, 1, 1]])
tf.reduce_sum(x) ==> 6 #对tensor x求和，6个1相加
tf.reduce_sum(x, 0)=tf.reduce_sum(x, axis=0) ==> [2, 2, 2] #tensorflow中axis=0表示列，1表示行,所以上面是对x的列求和
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] #对x求每一行的和，且保留原x的维度信息。
tf.reduce_sum(x, [0, 1]) ==> 6 #对x的列和行求和