tensorflow常用函式

tf.gather：用乙個一維的索引陣列，將張量中對應索引的向量提取出來

1

import
tensorflow as tf 
23 a = tf.variable([[1,2,3,4,5], [6,7,8,9,10], [11,12,13,14,15]])
4 index_a = tf.variable([0,2])
56 b = tf.variable([1,2,3,4,5,6,7,8,9,10])
7 index_b = tf.variable([2,4,6,8])89
with tf.session() as sess:
10sess.run(tf.global_variables_initializer())
11print
(sess.run(tf.gather(a, index_a)))
12print
(sess.run(tf.gather(b, index_b)))
1314
#[[ 1 2 3 4 5]15#
[11 12 13 14 15]]
1617
#[3 5 7 9]

np.stack()

axis引數指定新軸在結果尺寸中的索引。指定的索引，是新結果shape的第n個位置的值。例如，如果axis=0，它將是第乙個維度，如果axis=-1，它將是最後乙個維度。

>>> a = np.array([1, 2, 3])

>>> b = np.array([2, 3, 4])
>>>a.shape
(3,)
>>>b.shape
(3,)
>>> np.stack((a, b), axis=0).shape
(2, 3)
>>> np.stack((a, b), axis=1).shape
(3, 2)

tf.stack()和np.stack()道理差不多

tf.concat是沿某一維度拼接shape相同的張量，拼接生成的新張量維度不會增加。而tf.stack是在新的維度上拼接，拼接後維度加1

importtensorflow as tf

a=tf.variable([[1,2,3,4,5], [6,7,8,9,10], [11,12,13,14,15]])

index_a=tf.variable([0,2])

b=tf.variable([1,2,3,4,5,6,7,8,9,10])

index_b=tf.variable([2,4,6,8])

with tf.session() as sess:

sess.run(tf.global_variables_initializer())

print(sess.run(tf.gather(a, index_a)))

print(sess.run(tf.gather(b, index_b)))

#  [[ 1  2  3  4  5]

#   [11 12 13 14 15]]

#  [3 5 7 9]

tensorflow常用函式

1.variable 主要在於一些可訓練變數 trainable variables 比如模型的權重 weights 或者偏執值 bias 1 宣告時，必須提供初始值 2 在真實訓練時，其值是會改變的，自然事先需要指定初始值 weights tf.variable tf.random normal ...

TensorFlow常用函式

使用tensorflow計算流程 1 prepare train data 2 define model and graph 3 choose optimizer 4 create a session to run import tensorflow as tf 1.tf.reduce mean i...

Tensorflow常用函式

w1 tf.variable tf.random normal 2,3 sttdev 1,seed 1 生成矩陣的均值為0，方差為2。使用seed 1指定隨機種子，可以保證每次執行得到的結果相同。sess.run w1.initializer 初始化w1 sess.run tf.initiable ...