tensorflow相关API的学习

学习目录

1.tensorflow相关函数理解

（1）tf.nn.conv2d

（2）tf.nn.relu

（3）tf.nn.max_pool

（4）tf.nn.dropout

（5）tf.nn.sigmoid_cross_entropy_with_logits

（6）tf.nn.truncated_normal

（7）tf.nn.constant

（8）tf.nn.placeholder

（9）tf.nn.reduce_mean

（10）tf.nn.squared_difference

（1）tf.nn.square

2.tensorflow相关类的理解

（1）tf.Variavle

tf.nn.conv2d(tf.nn.conv2d是TensorFlow里面实现卷积的函数)

参数列表

conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC',
    name=None
)

参数名	必选	类型	说明
input	是	tensor	是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个 batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）
filter	是	tensor	是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数，卷积核个数 ]）,filter 的 in_channels 必须和 input 的 in_channels 相等
strides	是	列表	长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1
padding	是	string	只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 丢弃方式；SAME：补全方式
use_cudnn_on_gpu	否	bool	是否使用 cudnn 加速，默认为 true
data_format	否	string	只能是 " NHWC ", " NCHW "，默认 " NHWC "
name	否	string	运算名称

以下的动画是我们以一张彩色的图片为例子，彩色图的通道数为3(黑白照的通道数为1)，所以每张彩色的图片就需要3个filter，每个filter中的权重都不同，最后输出的值为各自所对应相乘相加即可。

实例：

import tensorflow as tf
 
a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])
b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])
c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='VALID')
d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='SAME')
with tf.Session() as sess:
    print ("c shape:")
    print (c.shape)
    print ("c value:")
    print (sess.run(c))
    print ("d shape:")
    print (d.shape)
    print ("d value:")
    print (sess.run(d))

运行结果如下：

 c shape:
 (1, 3, 3, 1)
 c value:
 [[[[ 4.]
    [ 3.]
    [ 4.]]
 
   [[ 2.]
    [ 4.]
    [ 3.]]
 
   [[ 2.]
    [ 3.]
    [ 4.]]]]
 d shape:
 (1, 5, 5, 1)
 d value:
 [[[[ 2.]
    [ 2.]
    [ 3.]
    [ 1.]
    [ 1.]]
 
   [[ 1.]
    [ 4.]
    [ 3.]
    [ 4.]
    [ 1.]]
 
   [[ 1.]
    [ 2.]
    [ 4.]
    [ 3.]
    [ 3.]]
 
   [[ 1.]
    [ 2.]
    [ 3.]
    [ 4.]
    [ 1.]]
 
   [[ 0.]
    [ 2.]
    [ 2.]
    [ 1.]
    [ 1.]]]]

tf.nn.relu(Tensorflow中常用的激活函数 ReLu=max(0,x) )

relu(
features,
name=None
)

参数列表：

参数名	必选	类型	说明
features	是	tensor	是以下类型float32, float64, int32, int64, uint8, int16, int8, uint16, half
name	否	string	运算名称

实例：

import tensorflow as tf
 
a = tf.constant([1,-2,0,4,-5,6])
b = tf.nn.relu(a)
with tf.Session() as sess:
    print (sess.run(b))

执行结果：

[1 0 0 4 0 6]

tf.nn.max_pool(CNN当中的最大值池化操作，其实用法和卷积很类似)

max_pool(

value,
ksize,
strides,
padding,
data_format='NHWC',
name=None
)

参数列表：

参数名	必选	类型	说明
value	是	tensor	4 维的张量，即 [ batch, height, width, channels ]，数据类型为 tf.float32
ksize	是	列表	池化窗口的大小，长度为 4 的 list，一般是 [1, height, width, 1]，因为不在 batch 和 channels 上做池化，所以第一个和最后一个维度为 1
strides	是	列表	池化窗口在每一个维度上的步长，一般 strides[0] = strides[3] = 1
padding	是	string	只能为 " VALID "，" SAME " 中之一，这个值决定了不同的池化方式。VALID 丢弃方式；SAME：补全方式
data_format	否	string	只能是 " NHWC ", " NCHW "，默认" NHWC "
name	否	string	运算名称

实例：

 import tensorflow as tf
 
 a = tf.constant([1,3,2,1,2,9,1,1,1,3,2,3,5,6,1,2],dtype=tf.float32,shape=[1,4,4,1])
 b = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='VALID')
 c = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')
 with tf.Session() as sess:
     print ("b shape:")
     print (b.shape)
     print ("b value:")
     print (sess.run(b))
     print ("c shape:")
     print (c.shape)
     print ("c value:")
     print (sess.run(c))

执行结果：

 b shape:
 (1, 2, 2, 1)
 b value:
 [[[[ 9.]
    [ 2.]]
 
   [[ 6.]
    [ 3.]]]]
 c shape:
 (1, 2, 2, 1)
 c value:
 [[[[ 9.]
    [ 2.]]
 
   [[ 6.]
    [ 3.]]]]

tf.nn.dropout(tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数,它一般用在全连接层)

dropout(
x,
keep_prob,
noise_shape=None,
seed=None,
name=None
)

参数列表：

参数名	必选	类型	说明
x	是	tensor	输出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否则为 0
keep_prob	是	scalar Tensor	dropout 的概率，一般是占位符
noise_shape	否	tensor	默认情况下，每个元素是否 dropout 是相互独立。如果指定 noise_shape，若 noise_shape[i] == shape(x)[i]，该维度的元素是否 dropout 是相互独立，若 noise_shape[i] != shape(x)[i] 该维度元素是否 dropout 不相互独立，要么一起 dropout 要么一起保留
seed	否	数值	如果指定该值，每次 dropout 结果相同
name	否	string	运算名称

实例：

 import tensorflow as tf
 
 a = tf.constant([1,2,3,4,5,6],shape=[2,3],dtype=tf.float32)
 b = tf.placeholder(tf.float32)
 c = tf.nn.dropout(a,b,[2,1],1)
 with tf.Session() as sess:
     sess.run(tf.global_variables_initializer())
     print (sess.run(c,feed_dict={b:0.75}))

执行结果：

 [[ 0.          0.          0.        ]
  [ 5.33333349  6.66666651  8.        ]]

tf.nn.sigmoid_cross_entropy_with_logits(对于给定的logits计算sigmoid的交叉熵。)

sigmoid_cross_entropy_with_logits(
_sentinel=None,
labels=None,
logits=None,
name=None
)

参数列表：

参数名	必选	类型	说明
_sentinel	否	None	没有使用的参数
labels	否	Tensor	type, shape 与 logits相同
logits	否	Tensor	type 是 float32 或者 float64
name	否	string	运算名称

实例：

 import tensorflow as tf
 x = tf.constant([1,2,3,4,5,6,7],dtype=tf.float64)
 y = tf.constant([1,1,1,0,0,1,0],dtype=tf.float64)
 loss = tf.nn.sigmoid_cross_entropy_with_logits(labels = y,logits = x)
 with tf.Session() as sess:
     print (sess.run(loss))

执行结果：

 [  3.13261688e-01   1.26928011e-01   4.85873516e-02   4.01814993e+00
    5.00671535e+00   2.47568514e-03   7.00091147e+00]

tf.truncated_normal(产生截断正态分布随机数，取值范围为 `[ mean - 2 * stddev, mean + 2 * stddev ]`)

truncated_normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.float32,
seed=None,
name=None
)

参数列表：

shape	是	1 维整形张量或 array	输出张量的维度
mean	否	0 维张量或数值	均值
stddev	否	0 维张量或数值	标准差
dtype	否	dtype	输出类型
seed	否	数值	随机种子，若 seed 赋值，每次产生相同随机数
name	否	string	运算名称

实例：

import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print(tf.Session().run(initial))

执行结果：

[[ 0.06492835  0.03914397  0.32634252]
 [ 0.22949421  0.21335489  0.6010958 ]
 [-0.11964546 -0.16878787  0.12951735]]

tf.constant(根据 value 的值生成一个 shape 维度的常量张量)

constant(
value,
dtype=None,
shape=None,
name='Const',
verify_shape=False
)

参数列表：

参数名	必选	类型	说明
value	是	常量数值或者 list	输出张量的值
dtype	否	dtype	输出张量元素类型
shape	否	1 维整形张量或 array	输出张量的维度
name	否	string	张量名称
verify_shape	否	Boolean	检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全

tf.placeholder(是一种占位符，在执行时候需要为其提供数据)

placeholder(
dtype,
shape=None,
name=None
)

参数列表：

参数名	必选	类型	说明
dtype	是	dtype	占位符数据类型
shape	否	1 维整形张量或 array	占位符维度
name	否	string	占位符名称

实例：

 import tensorflow as tf
 import numpy as np
 
 x = tf.placeholder(tf.float32,[None,3])
 y = tf.matmul(x,x)
 with tf.Session() as sess:
     rand_array = np.random.rand(3,3)
     print(sess.run(y,feed_dict={x:rand_array}))

执行结果：

输出一个 3x3 的张量

tf.reduce_mean(计算张量 input_tensor 平均值)

reduce_mean(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)

参数列表：

参数名	必选	类型	说明
input_tensor	是	张量	输入待求平均值的张量
axis	否	None、0、1	None：全局求平均值；0：求每一列平均值；1：求每一行平均值
keep_dims	否	Boolean	保留原来的维度(例如不会从二维矩阵降为一维向量)
name	否	string	运算名称
reduction_indices	否	None	和 axis 等价，被弃用

实例：

 initial = [[1.,1.],[2.,2.]]
 x = tf.Variable(initial,dtype=tf.float32)
 init_op = tf.global_variables_initializer()
 with tf.Session() as sess:
     sess.run(init_op)
     print(sess.run(tf.reduce_mean(x)))
     print(sess.run(tf.reduce_mean(x,0))) #Column
     print(sess.run(tf.reduce_mean(x,1))) #row

运行结果：

 1.5
 [ 1.5  1.5]
 [ 1.  2.]

tf.squared_difference(计算张量 x、y 对应元素差平方)

squared_difference(
x,
y,
name=None
)

参数列表:

参数名	必选	类型	说明
x	是	张量	是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
y	是	张量	是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name	否	string	运算名称

实例：

 import tensorflow as tf
 import numpy as np
 
 initial_x = [[1.,1.],[2.,2.]]
 x = tf.Variable(initial_x,dtype=tf.float32)
 initial_y = [[3.,3.],[4.,4.]]
 y = tf.Variable(initial_y,dtype=tf.float32)
 diff = tf.squared_difference(x,y)
 init_op = tf.global_variables_initializer()
 with tf.Session() as sess:
     sess.run(init_op)
     print(sess.run(diff))

执行结果：

[[ 4.  4.]
 [ 4.  4.]]

tf.square(计算张量对应元素平方)

square(
x,
name=None
)

参数列表：

参数名	必选	类型	说明
x	是	张量	是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name	否	string	运算名称

实例：

 import tensorflow as tf
 import numpy as np
 
 initial_x = [[1.,1.],[2.,2.]]
 x = tf.Variable(initial_x,dtype=tf.float32)
 x2 = tf.square(x)
 init_op = tf.global_variables_initializer()
 with tf.Session() as sess:
     sess.run(init_op)
     print(sess.run(x2))

执行结果:

[[ 1.  1.]
 [ 4.  4.]]

tf.Variavle(TensorFlow中的图变量)

tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None）

参数名称参数类型含义

initial_value：所有可以转换为Tensor的类型变量的初始值
trainable bool：如果为True，会把它加入到GraphKeys.TRAINABLE_VARIABLES，才能对它使用Optimizer
collections list：指定该图变量的类型、默认为[GraphKeys.GLOBAL_VARIABLES]
validate_shape：bool 如果为False，则不进行类型和维度检查
name string：变量的名称，如果没有指定则系统会自动分配一个唯一的值

实例：

 In [1]: import tensorflow as tf
 In [2]: v = tf.Variable(3, name='v')
 In [3]: v2 = v.assign(5)
 In [4]: sess = tf.InteractiveSession()
 In [5]: sess.run(v.initializer)
 In [6]: sess.run(v)
 Out[6]: 3
 In [7]: sess.run(v2)
 Out[7]: 5

内容参考与腾讯云开发者实验室

https://cloud.tencent.com/developer/labs/lab/10000