Tensorflow 方法記錄

1.tf.convert_to_tensor:傳入的list必須是一個有固定長度的list，若是爲2維的list，第二維的list的長度必須是固定。

 

2.tf.layers.conv1d(),默認寬卷積，裏面的參數filter_size，爲卷積核的height，而卷積核的width爲輸入的width

傳入的是一個[batch_size,width,height],輸出的是一個[batch_size,height,filter_num]

 

3.tf.layers.conv2d(),裏面的參數filter_size爲一個tuple,爲卷積核的大小

傳入的是一個[batch_size,width,height,channel_num]，輸入的是一個[batch_size,after_conv_width,afer_conv_height,filter_num]

 

4.tf.stack():拼接矩陣，能夠指定維數，若是指定維數的話，那麼拼接的就是指定維數的數據，若是不指定維數，那麼就是拼接所有。

 

5.tf.unstack():拆解一個矩陣，能夠指定維度。

 

tensorflow tf.split 和 tf.unstack 實例

import tensorflow as tf A = [[1, 2, 3], [4, 5, 6]] a0 = tf.split(A, num_or_size_splits=3, axis=1) a1 = tf.unstack(A, num=3,axis=1) a2 = tf.split(A, num_or_size_splits=2, axis=0) a3 = tf.unstack(A, num=2,axis=0) with tf.Session() as sess: print(sess.run(a0)) print(sess.run(a1)) print(sess.run(a2)) print(sess.run(a3))

 

[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])]

 

tf.squeeze()

去掉維數爲1的維度。 
舉個栗子：

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t))  # [2, 3]

 

也能夠指定去掉哪一個維度：

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t, [2, 4]))  # [1, 2, 3, 1]

 

6.tf.assign()

https://www.jianshu.com/p/fc5f0f971b14

 

7.當出現變量已經存在時，要添加tf.name_scope()

 

8.tf.multiply() 點乘， 區別於tf.matul

　　a.若是是一個矩陣乘以一個數，矩陣裏面每個數都乘以這個數。

　　b.能夠一個數乘以一個數

 

9.tf.contrib.rnn.static_bidirectional_rnn：組合正序和逆序，輸入: [sequence_length, batch_size, hidden_size]，輸出: [sequence, batch_size, 2 * output_size], forward_state: [batch_size, 2 * output_size], backward_size: [batch_size， 2 * output_size]

encoder_outputs, forward_state, backward_state = rnn.static_bidirectional_rnn(forward_cell, backward_cell, input_content_emb, dtype=tf.float32, sequence_length=self.config.sequence_length)

 

10.tf.greater():

　　tf.greater 的輸入是兩個張量，此函數會比較這兩個輸入張量中每個元素的大小，並返回比較結果。當tf.greater 的輸入張量維度不同時， Ten sorFlow 會進行相似NumPy 廣播操做（ broadcasting ）的處理。

 

11.tf.where()

　　tf.where函數有三個參數。第一個爲選擇條件根據， 當選擇條件爲True 時， tf.where 函數會選擇第二個參數中的值， 不然使用第三個參數中的值。

 

12.tf.train.exponential decay()

　　

　　1.learning_rate:初始化的學習率

　　2.global_step:當前的步數

　　3.decay_steps:多少步衰減一次。

　　4.decay_rate: 衰減率

　　5.staricase:是否爲階梯衰減，設計爲True的話， decay_steps=len(dataset)/len(batch)

 

13.tf.contrib.layers.l2_regularizer(weight_decay)(weight)/tf.contrib.layers.l1_regularizer(weight_decay)(weight)

　　正則化，下圖爲實例：

 

14. tf.variable_scope() tf.get variable()

 

15. tf.abs() 求絕對值

 

16. tf.tile() 

tf.tile( input, #輸入 
    multiples,  #某一維度上覆制的次數 
    name=None )

 

import tensorflow as tf a = tf.tile([1,2,3],[2]) b = tf.tile([[1,2], [3,4], [5,6]],[2,3]) with tf.Session() as sess: print(sess.run(a)) print(sess.run(b))

 

 

17. tf.einsum()

# Matrix multiplication
>>> einsum('ij,jk->ik', m0, m1)  # output[i,k] = sum_j m0[i,j] * m1[j, k]

# Dot product
>>> einsum('i,i->', u, v)  # output = sum_i u[i]*v[i]

# Outer product
>>> einsum('i,j->ij', u, v)  # output[i,j] = u[i]*v[j]

# Transpose
>>> einsum('ij->ji', m)  # output[j,i] = m[i,j]

# Batch matrix multiplication
>>> einsum('aij,ajk->aik', s, t)  # out[a,i,k] = sum_j s[a,i,j] * t[a, j, k]