TensorFlow学习记录

叁歲伎倆 2022-05-12 02:12 263阅读 0赞

### tf.stack和tf.unstack ###

解析：

#### tf.stack ####

`stack(values, axis=0, name='stack')`

#假如'x'为[1, 4]，'y'为[2, 5]，'z'为[3, 6]，
    #那么:
    tf.stack([x, y, z]) => [[1, 4], [2, 5], [3,6]]，
    tf.stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]。
    tf.stack([x, y, z]) = np.asarray([x, y, z])。

#### tf.unstack ####

`unstack(value, num=None, axis=0, name='unstack')`  
tf.unstack(x, n) = list(x)。

举个例子，如下所示：

import tensorflow as tf
    
    a = tf.constant([1,2,3])
    b = tf.constant([4,5,6])
    c = tf.stack([a,b],axis=1)
    d = tf.unstack(c,axis=0)
    e = tf.unstack(c,axis=1)
    print(c.get_shape())
    with tf.Session() as sess:
        print(sess.run(c))
        print(sess.run(d))
        print(sess.run(e))
    # 结果输出，如下所示：
    
    #[[1 4][2 5][3 6]]
    
    #[array([1, 4], dtype=int32), array([2, 5], dtype=int32), #array([3, 6], dtype=int32)]
    
    #[array([1, 2, 3], dtype=int32), array([4, 5, 6], dtype=int32)]

### tf.split ###

`split(value, num_or_size_splits, axis=0, num=None, name='split')`  
假设value的shape为\[5, 30\]，如下所示：

（1）如果split0, split1, split2 = tf.split(value, \[4, 15, 11\], 1)，那么  
`tf.shape(split0) ==> [5, 4] tf.shape(split1) ==> [5, 15] tf.shape(split2) ==> [5, 11]`

（2）如果split0, split1, split2 = tf.split(value, num\_or\_size\_splits=3, axis=1)，那么  
`tf.shape(split0) ==> [5, 10]`

举个例子，如下所示：

import tensorflow as tf
    
    A = [[1, 2, 3], [4, 5, 6]]
    x0 = tf.split(A, num_or_size_splits=3, axis=1)
    x1 = tf.unstack(A, num=3, axis=1)
    x2 = tf.split(A, num_or_size_splits=2, axis=0)
    x3 = tf.unstack(A, num=2, axis=0)
    with tf.Session() as sess:
        print(sess.run(x0))
        print(sess.run(x1))
        print(sess.run(x2))
        print(sess.run(x3))
    # 结果输出，如下所示：
    [array([[1],[4]]), array([[2],[5]]), array([[3],[6]])]
    
    [array([1, 4]), array([2, 5]), array([3, 6])]
    
    [array([[1, 2, 3]]), array([[4, 5, 6]])]
    
    [array([1, 2, 3]), array([4, 5, 6])]
    
    # 说明：axis=0表示按行操作，axis=1表示按列操作。

### tf.nn.rnn\_cell.BasicLSTMCell和tf.contrib.rnn.BasicLSTMCell ###

#### state\_is\_tuple ####

解析：如果state\_is\_tuple=True，那么state是元组形式，state=(c,h)。如果state\_is\_tuple=False，那么state是一个由

c和h拼接起来的张量，state=tf.concat(1,\[c,h\])。

### tf.subtract ###

解析：  
`subtract(x, y, name=None)`  
如下所示：

（1）x: A Tensor. Must be one of the following types: half, float32, float64, int32, int64, complex64, complex128.

（2）y: A Tensor. Must have the same type as x.

（3）name: A name for the operation (optional).

### tf.multiply和tf.matmul区别 ###

解析：

（1）tf.multiply是点乘，即Returns x \* y element-wise.

（2）tf.matmul是矩阵乘法，即Multiplies matrix a by matrix b, producing a \* b.

### tf.contrib.layers.xavier\_initializer ###

解析：`xavier_initializer(uniform=True, seed=None, dtype=tf.float32)`：An initializer for a weight matrix.

1.`uniform`: Whether to use uniform or normal distributed random initialization.

2.`seed`: A Python integer. Used to create random seeds. See tf.set\_random\_seed for behavior.

3.`dtype`: The data type. Only floating point types are supported.

### tf.concat ###

解析：  
`concat(values, axis, name='concat')`  
假设t1 = \[\[1, 2, 3\], \[4, 5, 6\]\]，t2 = \[\[7, 8, 9\], \[10, 11, 12\]\]，那么

`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]]`

### dynamic\_rnn与static\_rnn \[1\] ###

解析：可以分别静态和动态构建RNN模型，如下所示：

`rnn_outputs, final_state = tf.nn.static_rnn(cell, rnn_inputs, initial_state=init_state)`

`rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, rnn_inputs, initial_state=init_state)`

两者的区别，如下所示：

1.  使用static\_rnn时，输入为一个列表，len(list)=num\_step，list\[0\].shape=\[batch\_size, input\_feature\]，输出为一个列表，len(list)=num\_step，list\[0\].shape=\[batch\_size, num\_hidden\]。
2.  使用dynamic\_rnn时，输入为\[batch\_size, num\_step, input\_feature\]的三维Tensor，输出为\[batch\_size, num\_step, num\_hidden\]的三维Tensor。

说明：dynamic\_rnn可以让不同迭代传入的batch是长度不同的数据，但同一次迭代一个batch内部的所有数据长度是固定的。但是，static\_rnn不能这样，它要求每一时刻传入的数据为\[batch\_size, max\_seq\]，并且在每次迭代过程中都保持不变。

### tf.get\_default\_graph和tf.reset\_default\_graph ###

解析：

`tf.get_default_graph()`：返回返回当前线程的默认图。

`tf.reset_default_graph()`：清除默认图的堆栈，并设置全局图为默认图。

### 双曲正切函数（tanh） ###

解析：

f(z)=tanh(z)=ez−e−zez\+e−z  f ( z ) = tanh ⁡ ( z ) = e z − e − z e z + e − z

说明：tanh值域的范围为(-1,1)。

### TensorFlow中的常量、序列、随机数 ###

解析：

`tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]`

`tf.zeros([2, 3], int32) ==> [[0, 0, 0], [0, 0, 0]]`

假设tensor为\[\[1, 2, 3\], \[4, 5, 6\]\]，那么  
`tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]`

假设tensor为\[\[1, 2, 3\], \[4, 5, 6\]\]，那么  
`tf.zeros_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]`

`tf.fill([2, 3], 9) ==> [[9, 9, 9], [9, 9, 9]]`

`tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.] [-1. -1. -1.]`

`tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0 11.0 12.0]`

`tf.range(start,limit=None,delta=1,name='range')`：返回一个tensor等差数列，该tensor中的数值在start到limit之间，不包括limit，delta是等差数列的差值。

`tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)`：返回一个tensor其\`中的元素的值服从正态分布。

`tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)`：返回一个\`tensor其中的元素服从截断正态分布。

`tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)`：返回一个形状\`为shape的tensor，其中的元素服从minval和maxval之间的均匀分布。

`tf.random_shuffle(value,seed=None,name=None)`：对value（是一个tensor）的第一维进行随机化。比如，

`[[1,2], [2,3],[3,4]] ==> [[2,3], [1,2], [3,4]]`。

`tf.set_random_seed(seed)`：设置产生随机数的种子。

### softmax(logits, dim=-1, name=None) ###

解析：

`logits`: A non-empty Tensor. Must be one of the following types: half, float32, float64.

`dim`: The dimension softmax would be performed on. The default is -1 which indicates the last dimension.

`name`: A name for the operation (optional).

### tf.shape(x)和x.get\_shape()区别 ###

解析：

都可以得到tensor x的尺寸。  
tf.shape()中x数据类型可以是tensor，list，array，而x.get\_shape()中x的数据类型只能是tensor，且返回的是一个元组。

### tf.slice ###

解析：`slice(input_, begin, size, name=None)`：Extracts a slice from a tensor.

假设input为\[\[\[1, 1, 1\], \[2, 2, 2\]\], \[\[3, 3, 3\], \[4, 4, 4\]\], \[\[5, 5, 5\], \[6, 6, 6\]\]\]，如下所示：

（1）tf.slice(input, \[1, 0, 0\], \[1, 1, 3\]) ==> \[\[\[3, 3, 3\]\]\]

（2）tf.slice(input, \[1, 0, 0\], \[1, 2, 3\]) ==> \[\[\[3, 3, 3\], \[4, 4, 4\]\]\]

（3）tf.slice(input, \[1, 0, 0\], \[2, 1, 3\]) ==> \[\[\[3, 3, 3\]\], \[\[5, 5, 5\]\]\]

1.  FLAGS = tf.app.flags.FLAGS

解析：

（1）tf.app.flags.DEFINE\_string()

（2）tf.app.flags.DEFINE\_integer()

（3）tf.app.flags.DEFINE\_boolean()

（4）tf.app.flags.DEFINE\_integer()

说明：TensorFlow通过设置flags来传递tf.app.run()所需的参数。

### tf.get\_default\_graph() ###

解析：得到默认的图。

### Graph.as\_default() ###

解析：with tf.Graph().as\_default():…：使用Graph.as\_default()上下文管理器可以覆盖默认的图。

### 多个Session和Graph ###

解析：

import tensorflow as tf
    
    g1 = tf.Graph()
    with g1.as_default():
        c1 = tf.constant([1.0])
    with tf.Graph().as_default() as g2:
        c2 = tf.constant([2.0])
    
    with tf.Session(graph=g1) as sess1:
        print sess1.run(c1)
    with tf.Session(graph=g2) as sess2:
        print sess2.run(c2)