方法 返回值类型 参数 说明
张量   
.constant()

Tensort

张量

实例t

value 创建一个常量tensor
dtype=None 输出类型
shape=None 返回tensor的形状
name='Const' 张量名
verify_shape=False 是否保留输入数据的形状且不能被更改. True若shape与输入形状不一致则报错
t.device str 表示tensor将被产生的设备名称
t.dtype   元素类型
t.graph   此tensor被哪个图所有
t.name   张量名
t.op   产生这个tensor作为输出的操作
t.shape TensorShape tensor的形状
t.value_index   表示这个tensor在其操作结果中的索引
t.consumers() list   返回消耗这个tensor的操作列表
t.eval() ndarray feed_dict=None 用于placeholder赋初始值{placeholder_object: value}
session=None 用来计算此tensor的session
t.get_shape() TensorShape   tensor的形状
t.set_shape() None shape 更新tensor的形状, verify_shape=False
       
.zeros() Tensor (shape, dtype=tf.float32, name=None) 按shape生成一个全0 tensor
.zeros_like() Tensor (tensor, dtype=None, name=None) 按tensor的shape创建一个新全0 tensor
.ones()   .ones_like() Tensor 参考上面两个, 创建全1 tensor
.fill() Tensor (dims, value, name=None) 值全为value, 形状为dims的tensor
.linspace() 1DTensor 创建包含num个元素, 且步长固定的tensor
start 起始值(包含)
stop 结束值(包含)
num 步长 = (stop - start) / (num-1)
name=None 张量名
.range() 1DTensor (start, limit, delta=1, name='range') 创建范围为[start, limit)步长为delta的tensor

.placeholder()

占位符(feed_dictation) run的时候才赋初始值

Tensor dtype 数据类型, 必须制定, 推荐float32(或1)
shape=None 指定返回张量的形状, None表示任意形状, 某一维为None则表示次维不做限制
name=None 张量名
       
       

.nn.embedding_

lookup()

Tensor params 多维数据,
ids 多维数据, 值为params的索引, 返回params的对应值
partition_strategy='mod'  
name=None 张量名
validate_indices=True  
max_norm=None  
       

.layers.dense()

全连接层

Tensor  
inputs 二维tensor
units 输出空间的维度(该层神经单元节点数)
activation及其以后参数同tf.layers.conv1d
       
变量   
.Variable()

Variable

变量

实例v

initial_value Tensor or Tensor_like. 变量的初始化值. 必须指定shape, 除非validate_shape=False
trainable=True 是否将该变量添加到图形集合`GraphKeys.TRAINABLE_VARIABLES`
collections=None 图表集合键的列表。新的变量被添加到这些集合中。默认为`[GraphKeys.GLOBAL_VARIABLES]`
validate_shape=True 是否允许变量初始化为未知形状的值
caching_device=None 描述设备的字符串, 表示哪个设备用来读取缓存. 默认是device
name=None 变量名
variable_def=None  
dtype=None 指定数据类型
expected_shape=None TensorShape类型. 要是设置了, 那么初始的值会是这种形状
import_scope=None  
v.device   设备名称
v.dtype   数据类型
v.graph   存放变量的图
v.initial_value Tensor 变量的初始值
v.initializer   变量的初始化器
v.name   变量名
v.op   产生这个variable作为输出的操作
v.assign() Variable value 为变量指定一个新值(形状相同)
use_locking=False  
v.assign_add() Variable delta, use_locking 为这个变量加上一个值(形状相同)
v.assign_sub() Variable delta, use_locking 为这个变量减去一个值(形状相同)
v.count_up_to() Variable limit 上限值. 当Op运行时, 它试图将变量+1, 如果增加变量使其超过限制, 将会引发异常
v.eval()   session=None 在一个session里计算并返回变量值
v.get_shape()     返回变量的形状
v.initialized_value() Tensor   返回已经初始化变量的值
v.load() Variable value 新的变量值. 把新值载入到变量里
session=None 用来估算这个变量的Session
v.read_value() Tensor   返回这个变量的值
v.scatter_sub()   sparse_delta  
use_locking=False  
v.set_shape() Variable shape 改变变量形状
       
 .get_variable() Variable name 新的或现有变量名(可用于变量复用)
shape=None 新变量或现有变量的形状
dtype=None 新变量或现有变量的类型
initializer=None 变量的初始值设定项
regularizer=None  
trainable=True 是否将变量添加到图形集合
collections=None 图形集合键列表
caching_device=None  
partitioner=None  
validate_shape=True 是否允许变量初始化为未知形状的值
use_resource=None  
custom_getter=None  
       
    将value赋给ref来更新ref
.assign() Variable ref Veriable
    value 跟ref同类型的Tensor
    validate_shape=None True: value需和ref形状相同(默认)
    False: ref将对value的形状进行引用
    use_locking=None  
    name=None 操作的名称
       
.global_variables()     返回全局变量
.local_variables()     返回局部变量
.variables_ initializer()   var_list 待初始化变量列表
name='init' 操作的名称
.global_variables_ initializer() Op   (替换tf.initialize_all_variables()的新方法)返回一个初始化所有全局变量的操作. 类似variables_initializers(global_variables())
.local_variables_ initializer() Op   返回一个初始化所有局部变量的操作
       
Graph(图)   
.get_default_graph()     返回默认图
.Graph() 实例g   创建一个图
g.building_function      
g.finalized     若此图被终止了则返回True
g.graph_def_versions      
g.seed     此图的图层随机种子
g.version      
g.add_to_collection()    
name  
value  
g.as_default() with...:   将此图设为默认, 其包含的张量将在此图中
g.device()   matmul_on_gpu 参见tf.device
g.finalize()     结束这个Graph, 使得它只读
g.get_all_collection_ key() list   返回Graph中的collection列表
g.get_operation_ by_name()   name 根据操作名返回操作
g.get_operations() list   返回图中操作列表
g.get_tensor_by_ name() Tensor name 根据张量名返回tensor
g.is_feedable() bool tensor 判断tensor能否被feed
g.is_fetchable() bool tensor_or_op 判断tensor或op能否被取到
g.name_scope()     参考tf.name_scope()
       
Session
.InteractiveSession() 实例s 创建一个新的session并设为默认
target='' 连接执行引擎, 默认in-process
graph=None 要计算的graph
config=None  
.Session() 实例s 创建一个新的session, 包含了操作对象执行的环境
target='' 连接执行引擎, 默认in-process
graph=None 要计算的graph
config=None  
s.graph     "投放"到session中的图
s.graph_def     图的描述
s.sess_str      
s.run()   运行操作计算tensor
fetches 图中的一个元素, 或元素列表. 或一个字典, 返回也将是字典, key不变, 值变为运算后的值
feed_dict=None 用于placeholder赋初始值
options=None  
run_metadata=None  
s.close()     关闭这个session
s.as_default() with...:   将此对象设为默认的session
       
优化器Optimizer(tf.train)
.Optimizer()     优化器类的基类(基本不用)
       
.GradientDescent Optimizer() Op 创建一个梯度下降算法的优化器
learning_rate 要是用的学习率
use_locking=False  
name='GradientDescent' 操作的名称
Op.compute_ gradients()    
loss 待减小的值
var_list=None 默认GraphKey.TRAINABLE_VARIABLES
gate_gradients= GATE_OP  
aggregation_method=N  
colocate_gradients_with_ ops=False  
grad_loss=None  
       
.AdadeltaOptimizer   实现了Adadelta算法的优化器, 可以算是Adagrad算法的改进版
learning_rate=0.001 学习率
rho=0.95 衰减率
epsilon=1e-08  
use_locking=False  
name='Adadelta' 操作的名称
       
.AdagradOptimizer   实现了Adagrad算法的优化器
learning_rate 学习率
initial_accumulator_ value=0.1  
use_locking=False  
name='Adagrad' 操作的名称
       
.Momentum Optimizer()      
       
.AdamOptimizer()      
       
数学函数(Math)点击跳转到官方API(有墙)
       
.argmax() Tensor 返回指定维度最大值的位置
input Tensor
axis=None 默认维度0
name=None 操作名称
output_type=tf.int64 tf.int32或tf.int64
.argmin() Tensor 同.argmax但作用相反
       
.matmul() Tensor 计算矩阵的积  
a,b 需要计算的两个矩阵
transpose_a=False 是否将a计算前进行转置
transpose_b=False 是否将b计算前进行转置
adjoint_a=False 是否将a计算前进行共轭转置
adjoint_b=False 是否将b计算前进行共轭转置
a_is_sparse=Fasle a是否是稀疏矩阵
b_is_sparse=Fasle b是否是稀疏矩阵
       
随机值   
.random_normal() Tensor 返回一个指定形状,被随机正态分布值填充的tensor
shape 指定返回张量的形状
mean=0.0 正态分布的均值
stddev=1.0 正态分布的标准差
dtype=tf.float32 输出类型: float32, float64, int32或int64
seed=None 随机数种子
name=None 张量名
.truncated_normal() Tensor 返回一个指定形状,被截断正态分布(truncated normal distribution)值填充的tensor(参数同上)
.random_unifrom()

Tensor

服从均值分布的随机数, 区间为[minval, maxval)
shape 指定返回张量的形状
minval=0 随机值范围的下界(默认[0, 1))
maxval=None 随机值范围的上界(int则必须指定此值)
dtype, seed, name 同上
.random_shuffle()  Tensor  在第一个维度随机打乱顺序(可在随机梯度下降的时候用)
value 待打乱的tensor
seed, name 同上
       
形状相关操作
.shape() Tensor 返回输入Tensor的形状
input 输入的Tensor
name=None 操作的名称
out_type=tf.int32 输出数据的数据类型
.shape_n()      
.size()   返回输入Tensor的元素数量(参数同tf.shape)
.rank()   (input, name=None)返回tensor的维度数
.reshape() Tensor 改变一个tensor的形状
tensor 输入tensor
shape tensor形状(某个分量可以是-1, 将将自动计算此值)
name=None 操作的名称
.squeeze()      
.expand_dims()      
       

.reduce_max()

参考np.max

Tensor input_tensor 传入一个tensor或可转换为tensor的数据
axis=None(原reduction_indices) 选择操作的维度, 默认操作全部数据
keep_dims=False 是否保留原维度, 否则计算后维度降低
name=None 张量名
.reduce_* Tensor 参考.reduce_max参数 参考np.*
       
基本神经网络组件
激活函数(输入输出维度一致)    
.nn.relu() Tensor 计算修正线性单元
features tensor
name=None 操作的名称
.nn.relu6()      
.nn.crelu()      
.nn.elu()      
.nn.softsign()      
.nn.dropout() Tensor 随机丢弃一部分神经元 (有助于防止过度拟合)
inputs Tensor
rate=0.5 丢包率
noise_shape=None  
seed=None 随机种子
training=False  
name=None 操作名称
.nn.bias_add()      
.sigmoid()      
.tanh()      
       
分类      
.nn.sigmoid_cross_ entropy_with_logits()      
.nn.softmax() Tensor softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), dim)
logits Tensor
dim=-1 运算的维度, 默认最后一个维度
name=None 操作名称
.nn.log_softmax() Tensor logsoftmax = logits - log(reduce_sum(exp(logits), dim))
参数同.nn.softmax()  
.nn.softmax_cross_ entropy_with_logits() Tensor 计算交叉熵(禁止使用位置参数)(损失函数, 越小模型越优)
labels=None 有效概率分布
logits=None 估计概率分布
dim=-1 维度, 默认最后一个维度
name=None 操作名称
.nn.sparse_softmax_ cross_entropy_with_ logits()      
.nn.weighted_cross_ entropy_with_logits()      
       
各种卷积网络
基本卷积操作      

.layers.conv1d()

Tensor inputs 张量输入
filters 整数, 输出空间的维数(即, 卷积核的数量)
kernel_size 一个整数或一个整数的元组/列表, 指定1D卷积窗的长度
strides=1 一个整数或一个整数的元组/列表, 指定卷积的步幅长度
padding='valid' 'valid'或'same'不区分大小写
data_format= 'channels_last'  
dilation_rate=1  
activation=None 激活函数, 默认线性激活
ues_bias=True 是否使用偏置
kernel_initializer=None 卷积核初始化
bias_initializer= tf.zeros_initializer() 偏置初始化, 默认初始化为0
kernel_regularizer=None 卷积核化的正则化
bias_regularizer=None 偏置项的正则化
activity_regularizer=None 输出的正则化函数
kernel_constraint=None  
bias_constraint=None  
trainable=True 该层的参数是否参与训练, True则变量加入到图集合中
name=None 该层的名称
reuse=None 是否重复使用参数
       

.layers.conv2d()

Tensor 二维卷积
参数同.layers.conv1d, 只列出不同
kernel_size 一个整数或2个整数的元组/列表, 指定2D卷积窗口的高度和宽度. 一个整数表示高=宽
strides 一个整数或2个整数的元组/列表, 指定沿高度和宽度的步幅长度
dilation_rate  
       
.nn.conv2d() Tensor 二维卷积
input 输入
filter [滤波器高,滤波器宽,深度(同输入),滤波器个数(输出的深度 )]
strides 滑动步长, 一般为[1, x_strides, y_strides, 1]
padding 'SAME'会有0填充, 使步长为1时保持输入输出尺寸不变, 而'VALID'则采取丢弃
use_cudnn_on_gpu=N  
data_format=None 指明输入数据和输出数据的格式. 'NHWC': 数据存储格式为[batch, in_height, in_width, in_channels]; 'NCHW': 数据存储格式为[batch, in_channels, in_height, in_width]
name=None 操作的名称
       
.nn.atrous_conv2d() Tensor 空洞卷积(没有stride参数, 因为被固定为了1)
value 4DTensor, 需要'NHWC'格式
filters [滤波器高,滤波器宽,深度(同输入),滤波器个数(输出的深度 )]
rate 插入(rate-1)数量的'0'
padding 'VALID'或'SAME'. 'VALID'返回:[batch, height-2*(filter_width-1), width-2*(filter_height-1), out_channels]的Tensor; 'SAME'返回:[batch, height, width, out_channels]的Tensore
name=None 操作的名称
       
池化操作(Pooling)     
.nn.avg_pool() Tensor 平均
value [batch, height, width, channels]
ksize 滤波器形状, 一般二维图像为[1,高,宽,1]
strides 步长, 一般为[1, x_strides, y_strides, 1]
padding 'VALID'或'SAME'
date_format='NHWC' 'NHWC'或'NCHW'
name=None 操作名
.nn.max_pool()      
.nn.max_pool_with_ argmax()      
.nn.avg_pool3d()      
.nn.max_pool3d()      
.nn.fractional_avg_ pool()      
.nn.fractional_max_ pool()      
.nn.pool()      
       
.device() with...: '/cpu:0' 指定运算设备为CPU, 即使多个CPU也不区分.
'/gpu:n' 多个GPU的名称是不同的, 第一个为'/gpu:0'
       
.name_scope() with...: name 在其下使用Variable, 变量名(V_n)前会被加上'name/...'且相同V_n会自动添加后缀加以区分, 使用get_variable, V_n不会变化, 且出现相同V_n会报错
default_name=None 如果`name`参数是`None`,则使用默认名称
values=None  
.variable_scope() with...as sc:

name_or_scope Variable以及get_variable变量名(V_n)前面都会被加上'name/...'但只有Variable的V_n会自动加后缀区分, 而在get_variable重复V_n前面加上sc.reuse_variables()可实现变量复用(指向同一变量)不加则报错
default_name=None 如果`name_or_scope`参数是`None`,则使用默认名称
values=None  
initializer=None 此范围内变量的默认初始值设定项
regularizer=None 此范围内的变量的默认regularizer
caching_device=None 此范围内的变量的默认缓存设备
partitioner=None 此范围内变量的默认分区程序
custom_getter=None 这个范围内的变量的默认自定义getter
reuse=None  
dtype=None 在此作用域中创建的变量类型
use_resource=None  
       

#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }
#s3gt_translate_tooltip_mini { display: none !important }

python库--tensorflow的更多相关文章

  1. ZhuSuan 是建立在Tensorflow上的贝叶斯深层学习的 python 库

    ZhuSuan 是建立在Tensorflow上的贝叶斯深层学习的 python 库. 与现有的主要针对监督任务设计的深度学习库不同,ZhuSuan 的特点是深入到贝叶斯推理中,从而支持各种生成模式:传 ...

  2. Python 库大全

    作者:Lingfeng Ai链接:http://www.zhihu.com/question/24590883/answer/92420471来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非 ...

  3. 哪些 Python 库让你相见恨晚?【转】

    原文链接:https://www.zhihu.com/question/24590883/answer/92420471 原文链接:Python 资源大全 ---------------- 这又是一个 ...

  4. Python库资源大全

    转载地址:https://zhuanlan.zhihu.com/p/27350980 本文是一个精心设计的Python框架.库.软件和资源列表,是一个Awesome XXX系列的资源整理,由BigQu ...

  5. Python库,让你相见恨晚的第三方库

    环境管理 管理 Python 版本和环境的工具 p – 非常简单的交互式 python 版本管理工具.pyenv – 简单的 Python 版本管理工具.Vex – 可以在虚拟环境中执行命令.virt ...

  6. 小众Python库介绍

    Python 是世界上发展最快的编程语言之一.它一次又一次地证明了自己在开发人员和跨行业的数据科学中的实用性.Python 及其机器学习库的整个生态系统使全世界的用户(无论新手或老手)都愿意选择它.P ...

  7. Python资源 --Python库

    环境管理 管理 Python 版本和环境的工具 pyenv – 简单的 Python 版本管理工具. Vex – 可以在虚拟环境中执行命令. virtualenv – 创建独立 Python 环境的工 ...

  8. 机器学习 python库 介绍

    开源机器学习库介绍 MLlib in Apache Spark:Spark下的分布式机器学习库.官网 scikit-learn:基于SciPy的机器学习模块.官网 LibRec:一个专注于推荐算法的j ...

  9. python 库资源大全

    偶然的机会翻到这篇文章,很全面,来源:  Python 资源大全中文版       哪些 Python 库让你相见恨晚? 环境管理 管理 Python 版本和环境的工具 p:非常简单的交互式 pyth ...

随机推荐

  1. C++STL—string类

    string容器 1.1 string容器的基本概念 string容器是一个类 这个容器中有一个指针,指针维护了一个数组 string容器提供copy.find.insert.replace等等功能 ...

  2. STM32启动文件详解及SystemInit函数分析(转)

    ;先在RAM中分配系统使用的栈,RAM的起始地址为0x2000_0000 ;然后在RAM中分配变量使用的堆 ;然后在CODE区(flash)分配中断向量表,flash的起始地址为0x0800_0000 ...

  3. Dired Mode in Emacs

    Start up Dired mode: C-x d; (List dirs: C-x C-d) Hide Dired mode window: q; Mark Mark (for group man ...

  4. CodeReview of JDK Source Code

    jdk1.6.0_35/src.zip, only java package is reviewd(full package review caused a OutofMemory on java h ...

  5. [源码解析] PyTorch 分布式(2) --- 数据加载之DataLoader

    [源码解析] PyTorch 分布式(2) --- 数据加载之DataLoader 目录 [源码解析] PyTorch 分布式(2) --- 数据加载之DataLoader 0x00 摘要 0x01 ...

  6. 【网络编程】TCPIP_3_地址族与数据序列

    目录 前言 3. 地址族与数据序列 3.1 分配给套接字的 IP 地址与端口号 3.2 参数 IP 地址 3.2.1 IPV4 地址的结构体 3.2.2 地址族(Address Family) 3.2 ...

  7. DVWA靶场之Command Injection(命令行注入)通关

    Command Injection Low: <?php if( isset( $_POST[ 'Submit' ]  ) ) { // Get input $target = $_REQUES ...

  8. Python小白的数学建模课-17.条件最短路径

    条件最短路径问题,指带有约束条件.限制条件的最短路径问题.例如: 顶点约束,包括必经点或禁止点的限制: 边的约束,包括必经路段.禁行路段和单向路段:无权路径长度的限制,如要求经过几步或不超过几步到达终 ...

  9. MongoDB 数据库创建删除、表(集合) 创建删除、数据增删改查

    使用数据库.创建数据库 use student 如果真的想把这个数据库创建成功,那么必须插入一个数据. 数据库中不能直接插入数据,只能往集合(collections)中插入数据.不需要专门创建集合,只 ...

  10. Qt简单的文件创建和读写

    1 QFile fp; //要包含必要的头文件,这里省略 2 QDir(dir); 3 QString path("./"),filename("test.txt&quo ...