tensorflow 常用的方法

import warnings

warnings.filterwarnings('ignore')

import tensorflowas tf

#变量Variable常量constant

w=tf.Variable([[0.5,1.0]])#特征选取

x=tf.Variable([[2.0],[1.0]])#特征值

y=tf.matmul(a=w,b=x)#矩阵相乘

#设置全0矩阵最好设置数据类型为float32

a1=tf.zeros(shape=(4,3),dtype=tf.float32)

a2=tf.zeros_like(tensor=a1)

#设置全1矩阵也可以单独设置int类型

a3=tf.ones(shape=(4,3),dtype=tf.int32)

a4=tf.ones_like(a3)

#用值列表填充的常数一维张量 既标量scalar

t1=tf.constant([1,2,3,4,5])

#常数二维张量,填充标量值-1 既向量vector

t2=tf.constant(value=-1,shape=[3,4])

# print(t2)

#生成序列 start于10 stop于14 列表元素数量num=4 列表名name

t3=tf.lin_space(10.0,14.0,4,name='linspace')

# print(t3)

t4=tf.range(start=3,limit=18,delta=3)

# print(t4)

#生成正太分布随机序列  形状 均值 标准差

t5=tf.random_normal(shape=[3,3],mean=1.0,stddev=4.0)

#序列洗牌操作

c=tf.constant([[1,2],[3,4],[5,6],[7,8]])

t6=tf.random_shuffle(c)#对一个1维数组的随机化

int_op=tf.global_variables_initializer()#再运行操作之前，必须显示初始化的变量

#创建会话窗口

with tf.Session()as sess:

sess.run(int_op)

print(y.eval())

print(a1.eval())

print(a2.eval())

print(a3.eval())

print(a4.eval())

print(t1.eval())

print(t2.eval())

print(t3.eval())

print(t4.eval())

print(t5.eval())

print(t6.eval())#eval()可以把list,tuple,dict和string相互转化。

state=tf.Variable(0)#生成变量

new_value=tf.add(state,tf.constant(1))#state+1 tf.add()主要是两个数相加

update=tf.assign(state,new_value)#将新的值赋给state

#tf.assign()主要是把 new_value值赋给state

with tf.Session()as sess:

sess.run(tf.global_variables_initializer())

print(sess.run(state))

for iin range(3):

print(sess.run(update))

print(sess.run(state))

#保存变量模型train.Saver()

w=tf.Variable([[0.5,1.0]])

x=tf.Variable([[2.0],[1.0]])

y=tf.matmul(w,x)

int_op=tf.global_variables_initializer()

saver=tf.train.Saver()#保存模型

with tf.Session()as sess:

sess.run(int_op)

#对模型做一些操作 保存变量到磁盘

    save_path=saver.save(sess,r"C:\Users\lenovo\Desktop\TensorFlow")

print('Model saved in file:',save_path)

#讲numpy转tensor格式

import  numpyas np

a=np.zeros((3,3))

ta=tf.convert_to_tensor(a)

with tf.Session()as sess:

print(sess.run(ta))

input1=tf.placeholder(tf.float32)

input2=tf.placeholder(tf.float32)

input=tf.matmul(input1,input2)

with tf.Session()as sess:

print(sess.run(input,feed_dict={input1:[[7.0,6.0]],input2:[[2.0],[3.0]]}))

"""

1、tf.ones(shape,type=tf.float32,name=None)

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

2、tf.zeros(shape,type=tf.float32,name=None)

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

3、tf.ones_like(tensor,dype=None,name=None)

新建一个与给定的tensor类型大小一致的tensor，其所有元素为1。

# 'tensor' is [[1, 2, 3], [4, 5, 6]]

tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]

4、tf.zeros_like(tensor,dype=None,name=None)

新建一个与给定的tensor类型大小一致的tensor，其所有元素为0。

# 'tensor' is [[1, 2, 3], [4, 5, 6]]

tf.ones_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]

5、tf.fill(dim,value,name=None)

创建一个形状大小为dim的tensor，其初始值为value

# Output tensor has shape [2, 3].

fill([2, 3], 9) ==> [[9, 9, 9]

[9, 9, 9]]

6、tf.constant(value,dtype=None,shape=None,name='Const')

创建一个常量tensor，先给出value，可以设定其shape

# Constant 1-D Tensor populated with value list.

tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7]

# Constant 2-D tensor populated with scalar value -1.

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

7、tf.linspace(start,stop,num,name=None)

返回一个tensor，该tensor中的数值在start到stop区间之间取等差数列（包含start和stop），如果num>1则差值为(stop-start)/(num-1)，以保证最后一个元素的值为stop。

其中，start和stop必须为tf.float32或tf.float64。num的类型为int。

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

8、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。

start，limit和delta都是int32类型。

# 'start' is 3

# 'limit' is 18

# 'delta' is 3

tf.range(start, limit, delta) ==> [3, 6, 9, 12, 15]

# 'limit' is 5 start is 0

tf.range(start, limit) ==> [0, 1, 2, 3, 4]

9、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。

seed: A Python integer. Used to create a random seed for the distribution.See set_random_seed for behavior。

10、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（？概念不懂，留疑）

11、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。

12、tf.random_shuffle(value,seed=None,name=None)

对value（是一个tensor）的第一维进行随机化。

[[1,2],            [[2,3],

[2,3],    ==>  [1,2],

[3,4]]            [3,4]]

13、tf.set_random_seed(seed)

设置产生随机数的种子。

14、tf.assign(A, new_number):

这个函数的功能主要是把A的值变为new_number

15、dimension=0 按列找

dimension=1 按行找

tf.argmax()

返回最大数值的下标

通常和tf.equal()一起使用，计算模型准确度

16、tf.square()

example:tf.square(x)

对x内的所有数进行平方

17、tf.reduce_mean()

可跨越维度求张量各元素的均值

To generate different sequences across sessions, set neither graph-level nor op-level seeds:

a = tf.random_uniform([1])

b = tf.random_normal([1])

print("Session 1")

with tf.Session() as sess1:

print(sess1.run(a)) # generates 'A1'

print(sess1.run(a)) # generates 'A2'

print(sess1.run(b)) # generates 'B1'

print(sess1.run(b)) # generates 'B2'

print("Session 2")

with tf.Session() as sess2:

print(sess2.run(a)) # generates 'A3'

print(sess2.run(a)) # generates 'A4'

print(sess2.run(b)) # generates 'B3'

print(sess2.run(b)) # generates 'B4'

To generate the same repeatable sequence for an op across sessions, set the seed for the op:

a = tf.random_uniform([1], seed=1)

b = tf.random_normal([1])

# Repeatedly running this block with the same graph will generate the same

# sequence of values for 'a', but different sequences of values for 'b'.

print("Session 1")

with tf.Session() as sess1:

print(sess1.run(a)) # generates 'A1'

print(sess1.run(a)) # generates 'A2'

print(sess1.run(b)) # generates 'B1'

print(sess1.run(b)) # generates 'B2'

print("Session 2")

with tf.Session() as sess2:

print(sess2.run(a)) # generates 'A1'

print(sess2.run(a)) # generates 'A2'

print(sess2.run(b)) # generates 'B3'

print(sess2.run(b)) # generates 'B4'

To make the random sequences generated by all ops be repeatable across sessions, set a graph-level seed:

tf.set_random_seed(1234)

a = tf.random_uniform([1])

b = tf.random_normal([1])

# Repeatedly running this block with the same graph will generate different

# sequences of 'a' and 'b'.

print("Session 1")

with tf.Session() as sess1:

print(sess1.run(a)) # generates 'A1'

print(sess1.run(a)) # generates 'A2'

print(sess1.run(b)) # generates 'B1'

print(sess1.run(b)) # generates 'B2'

print("Session 2")

with tf.Session() as sess2:

print(sess2.run(a)) # generates 'A1'

print(sess2.run(a)) # generates 'A2'

print(sess2.run(b)) # generates 'B1'

print(sess2.run(b)) # generates 'B2

"""