# coding=utf-8
import tensorflow as tf
x = tf.constant([[10, 20]], dtype=tf.float32)
y = tf.constant([[3, 4]], dtype=tf.float32)
with tf.Session() as sess:
# 对应元素 相加
print '\ntf.add(x, y) : ', sess.run(tf.add(x, y))
# 对应元素 相减
print '\ntf.subtract(x, y) : ', sess.run(tf.subtract(x, y))
# 对应元素 相乘
print '\ntf.multiply(x, y) : ', sess.run(tf.multiply(x, y))
# 所有元素 等比例放大
print '\ntf.scalar_mul(9.0, x) : ', sess.run(tf.scalar_mul(9.0, x))
# 对应元素 相除
print '\ntf.div(x, y) : ', sess.run(tf.div(x, y))
# 对应元素 相除
print '\ntf.divide(x, y) : ', sess.run(tf.divide(x, y))
# 对应元素 相除
print '\ntf.truediv(x, y) : ', sess.run(tf.truediv(x, y))
# 对应元素 地板除
print '\ntf.floordiv(x, y) : ', sess.run(tf.floordiv(x, y))
# 对应元素 截断除 取余
print '\ntf.truncatemod(x, y) : ', sess.run(tf.truncatemod(x, y))
# 对应元素 地板除 取余
print '\ntf.floormod(x, y) : ', sess.run(tf.floormod(x, y))
# 对应元素 相除 取余
print '\ntf.mod(x, y) : ', sess.run(tf.mod(x, y))
# 两组 3元素向量的tensor 交叉乘
print '\ntf.cross([[10, 20, 30]], [[1, 2, 3]]) : ', sess.run(tf.cross([[10, 20, 30]], [[1, 2, 1]]))
tf.add(x, y) : [[ 13. 24.]]
tf.subtract(x, y) : [[ 7. 16.]]
tf.multiply(x, y) : [[ 30. 80.]]
tf.scalar_mul(9.0, x) : [[ 90. 180.]]
tf.div(x, y) : [[ 3.33333325 5. ]]
tf.divide(x, y) : [[ 3.33333325 5. ]]
tf.truediv(x, y) : [[ 3.33333325 5. ]]
tf.floordiv(x, y) : [[ 3. 5.]]
tf.truncatemod(x, y) : [[ 1. 0.]]
tf.floormod(x, y) : [[ 1. 0.]]
tf.mod(x, y) : [[ 1. 0.]]
tf.cross([[10, 20, 30]], [[1, 2, 3]]) : [[-40 20 0]]
# coding=utf-8
import tensorflow as tf
x = tf.constant([[-1.5, 0, 2]], dtype=tf.float32)
y = tf.constant([[2, 0, 1]], dtype=tf.float32)
with tf.Session() as sess:
# 对应元素 相加
print '\ntf.add_n([x, y]) : ', sess.run(tf.add_n([x, y]))
# 求 绝对值
print '\ntf.abs(x) : ', sess.run(tf.abs(x))
# 求 相反数
print '\ntf.negative(x) : ', sess.run(tf.negative(x))
# 求 符号
print '\ntf.sign(x) : ', sess.run(tf.sign(x))
# 求 倒数
print '\ntf.reciprocal(x) : ', sess.run(tf.reciprocal(x))
# 求 平方
print '\ntf.square(x) : ', sess.run(tf.square(x))
# 求 各元素各自距离最近的整数;若在中间,则取偶数值
print '\ntf.round(x) : ', sess.run(tf.round(x))
# 求 平方根
print '\ntf.sqrt(x) : ', sess.run(tf.sqrt(x))
# 求 平方根的倒数
print '\ntf.rsqrt(x) : ', sess.run(tf.rsqrt(x))
# 求 x各元素的y各元素次方
print '\ntf.pow(x) : ', sess.run(tf.pow(x, y))
# 求 自然数指数,即e^x
print '\ntf.exp(x) : ', sess.run(tf.exp(x))
# 求 自然指数减1,即e^x-1
print '\ntf.expm1(x) : ', sess.run(tf.expm1(x))
# 求 自然对数
print '\ntf.log(x) : ', sess.run(tf.log(x))
# 求 加1后的自然对数
print '\ntf.log1p(x) : ', sess.run(tf.log1p(x))
# 求 天花板整数
print '\ntf.ceil(x) : ', sess.run(tf.ceil(x))
# 求 地板整数
print '\ntf.floor(x) : ', sess.run(tf.floor(x))
# 求 各对应位置 上的 最大值
print '\ntf.maximum(x) : ', sess.run(tf.maximum(x, y))
# 求 各对应位置 上的 最小值
print '\ntf.minimum(x) : ', sess.run(tf.minimum(x, y))
# 求 cos(x)
print '\ntf.cos(x) : ', sess.run(tf.cos(x))
# 求 sin(x)
print '\ntf.sin(x) : ', sess.run(tf.sin(x))
# 求 ln(|Beta(x)|), 并以最末尺度进行归纳。
print '\ntf.lbeta(x) : ', sess.run(tf.lbeta(x))
# 求 tan(x)
print '\ntf.tan(x) : ', sess.run(tf.tan(x))
# 求 acos(x)
print '\ntf.acos(x) : ', sess.run(tf.acos(x))
# 求 asin(x)
print '\ntf.asin(x) : ', sess.run(tf.asin(x))
# 求 atan(x)
print '\ntf.atan(x) : ', sess.run(tf.atan(x))
# 求 cosh(x)
print '\ntf.cosh(x) : ', sess.run(tf.cosh(x))
# 求 sinh(x)
print '\ntf.sinh(x) : ', sess.run(tf.sinh(x))
# 求 asinh(x)
print '\ntf.asinh(x) : ', sess.run(tf.asinh(x))
# 求 acosh(x)
print '\ntf.acosh(x) : ', sess.run(tf.acosh(x))
# 求 atanh(x)
print '\ntf.atanh(x) : ', sess.run(tf.atanh(x))
# 求 ln(gamma(x))
print '\ntf.lgamma(x) : ', sess.run(tf.lgamma(x))
# 求 lgamma的导数,即gamma‘/gamma
print '\ntf.digamma(x) : ', sess.run(tf.digamma(x))
# 求 高斯误差
print '\ntf.erf(x) : ', sess.run(tf.erf(x))
# 求 高斯互补误差
print '\ntf.erfc(x) : ', sess.run(tf.erfc(x))
# 求 (x-y)(x-y)
print '\ntf.squared_difference(x) : ', sess.run(tf.squared_difference(x, y))
# 求 离x最近的整数,若为中间值,取偶数值。
print '\ntf.rint(x) : ', sess.run(tf.rint(x))
tf.add_n([x, y]) : [[ 0.5 0. 3. ]]
tf.abs(x) : [[ 1.5 0. 2. ]]
tf.negative(x) : [[ 1.5 -0. -2. ]]
tf.sign(x) : [[-1. 0. 1.]]
tf.reciprocal(x) : [[-0.66666669 inf 0.5 ]]
tf.square(x) : [[ 2.25 0. 4. ]]
tf.round(x) : [[-2. 0. 2.]]
tf.sqrt(x) : [[ nan 0. 1.41421354]]
tf.rsqrt(x) : [[ nan inf 0.70710677]]
tf.pow(x) : [[ 2.25 1. 2. ]]
tf.exp(x) : [[ 0.22313017 1. 7.38905621]]
tf.expm1(x) : [[-0.77686983 0. 6.38905621]]
tf.log(x) : [[ nan -inf 0.69314718]]
tf.log1p(x) : [[ nan 0. 1.09861231]]
tf.ceil(x) : [[-1. 0. 2.]]
tf.floor(x) : [[-2. 0. 2.]]
tf.maximum(x) : [[ 2. 0. 2.]]
tf.minimum(x) : [[-1.5 0. 1. ]]
tf.cos(x) : [[ 0.0707372 1. -0.41614684]]
tf.sin(x) : [[-0.997495 0. 0.90929741]]
tf.lbeta(x) : [ inf]
tf.tan(x) : [[-14.1014204 0. -2.18503976]]
tf.acos(x) : [[ nan 1.57079637 nan]]
tf.asin(x) : [[ nan 0. nan]]
tf.atan(x) : [[-0.98279375 0. 1.10714877]]
tf.cosh(x) : [[ 2.3524096 1. 3.76219583]]
tf.sinh(x) : [[-2.12927938 0. 3.62686038]]
tf.asinh(x) : [[-1.19476318 0. 1.44363546]]
tf.acosh(x) : [[ nan nan 1.31695795]]
tf.atanh(x) : [[ nan 0. nan]]
tf.lgamma(x) : [[ 0.86004704 inf 0. ]]
tf.digamma(x) : [[ 0.70315683 inf 0.42278421]]
tf.erf(x) : [[-0.96610516 0. 0.99532229]]
tf.erfc(x) : [[ 1.9661051 1. 0.00467773]]
tf.squared_difference(x) : [[ 12.25 0. 1. ]]
tf.rint(x) : [[-2. 0. 2.]]
# coding=utf-8
import tensorflow as tf
x = tf.constant([[1,5,0],[0,2,0],[0,0,3]])
x_f = tf.cast(x, tf.float32)
y = tf.constant([10, 20, 30])
with tf.Session() as sess:
# 返回 对角矩阵
print '\ntf.diag(y) : \n', sess.run(tf.diag(y))
# 返回 对角阵的 对角元素
print '\ntf.diag_part(x) : \n', sess.run(tf.diag_part(x))
# 返回 矩阵的 迹
print '\ntf.trace(x) : \n', sess.run(tf.trace(x))
# 返回 矩阵的 转置。 perm参数项: x的尺寸排列顺序,默认为None。
print '\ntf.transpose(x) : \n', sess.run(tf.transpose(x))
# 返回 单位矩阵
print '\ntf.eye(3) : \n', sess.run(tf.eye(3))
# 根据对角值 返回 一批对角矩阵
print '\ntf.matrix_diag([[1,2,3],[4,5,6]]) : \n', sess.run(tf.matrix_diag([[1,2,3],[4,5,6]]))
# 返回 批对角阵 的 对角元素
print '\ntf.matrix_diag_part([x, x]) : \n', sess.run(tf.matrix_diag_part([x, x]))
# 返回矩阵的 上三角矩阵
print '\ntf.matrix_band_part(x, 0, -1) : \n', sess.run(tf.matrix_band_part(x, 0, -1))
# 返回矩阵的 下三角矩阵
print '\ntf.matrix_band_part(x, -1, 0) : \n', sess.run(tf.matrix_band_part(x, -1, 0))
# 返回矩阵的 对角矩阵
print '\ntf.matrix_band_part(x, 0, 0) : \n', sess.run(tf.matrix_band_part(x, 0, 0))
# 将输入矩阵的对角元素置换为对角元素
print '\ntf.matrix_set_diag(x, y) : \n', sess.run(tf.matrix_set_diag(x, y))
# 返回 转置矩阵
print '\ntf.matrix_transpose(x) : \n', sess.run(tf.matrix_transpose(x))
# 矩阵乘法
print '\ntf.matmul(x, x) : \n', sess.run(tf.matmul(x, x))
# 求 范数
print '\ntf.norm(x_f) : \n', sess.run(tf.norm(x_f))
# 求 行列式
print '\ntf.matrix_determinant(x_f) : \n', sess.run(tf.matrix_determinant(x_f))
# 求 逆矩阵
print '\ntf.matrix_inverse(x_f) : \n', sess.run(tf.matrix_inverse(x_f))
# 进行 cholesky分解
print '\ntf.cholesky(tf.constant([[2, -1], [-1, 5]], dtype=tf.float32))) : \n', sess.run(tf.cholesky(tf.constant([[2, -1], [-1, 5]], dtype=tf.float32)))
# 对矩阵进行 qr分解
print '\ntf.qr(x_f) : \n', sess.run(tf.qr(x_f))
# 求取 特征值 和 特征向量
print '\ntf.tf.self_adjoint_eig(x_f) : \n', sess.run(tf.self_adjoint_eig(x_f))
# 计算 多个矩阵 的 特征值
print '\ntf.self_adjoint_eigvals([x_f, x_f]) : \n', sess.run(tf.self_adjoint_eigvals([x_f, x_f]))
# 进行 奇异值分解
print '\ntf.svd(x_f) : \n', sess.run(tf.svd(x_f))
tf.diag(y) :
[[10 0 0]
[ 0 20 0]
[ 0 0 30]]
tf.diag_part(x) :
[1 2 3]
tf.trace(x) :
6
tf.transpose(x) :
[[1 0 0]
[5 2 0]
[0 0 3]]
tf.eye(3) :
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
tf.matrix_diag([[1,2,3],[4,5,6]]) :
[[[1 0 0]
[0 2 0]
[0 0 3]]
[[4 0 0]
[0 5 0]
[0 0 6]]]
tf.matrix_diag_part([x, x]) :
[[1 2 3]
[1 2 3]]
tf.matrix_band_part(x, 0, -1) :
[[1 5 0]
[0 2 0]
[0 0 3]]
tf.matrix_band_part(x, -1, 0) :
[[1 0 0]
[0 2 0]
[0 0 3]]
tf.matrix_band_part(x, 0, 0) :
[[1 0 0]
[0 2 0]
[0 0 3]]
tf.matrix_set_diag(x, y) :
[[10 5 0]
[ 0 20 0]
[ 0 0 30]]
tf.matrix_transpose(x) :
[[1 0 0]
[5 2 0]
[0 0 3]]
tf.matmul(x, x) :
[[ 1 15 0]
[ 0 4 0]
[ 0 0 9]]
tf.norm(x_f) :
6.245
tf.matrix_determinant(x_f) :
6.0
tf.matrix_inverse(x_f) :
[[ 1. -2.5 0. ]
[ 0. 0.5 0. ]
[ 0. 0. 0.33333334]]
tf.cholesky(tf.constant([[2, -1], [-1, 5]], dtype=tf.float32))) :
[[ 1.41421354 0. ]
[-0.70710677 2.12132025]]
tf.qr(x_f) :
Qr(q=array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]], dtype=float32), r=array([[ 1., 5., 0.],
[ 0., 2., 0.],
[ 0., 0., 3.]], dtype=float32))
tf.tf.self_adjoint_eig(x_f) :
(array([ 1., 2., 3.], dtype=float32), array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]], dtype=float32))
tf.self_adjoint_eigvals([x_f, x_f]) :
[[ 1. 2. 3.]
[ 1. 2. 3.]]
tf.svd(x_f) :
(array([ 5.46498585, 3. , 0.36596629], dtype=float32), array([[ 0.93272191, 0. , 0.36059672],
[ 0.36059672, 0. , -0.93272191],
[ 0. , 1. , 0. ]], dtype=float32), array([[ 0.17067236, 0. , 0.9853279 ],
[ 0.9853279 , 0. , -0.17067236],
[ 0. , 1. , 0. ]], dtype=float32))
##4. Tensor Math Function
# coding=utf-8
import tensorflow as tf
x = tf.constant([[1,5,0],[0,2,0],[0,0,3]])
x_f = tf.cast(x, tf.float32)
y = tf.constant([10, 20, 30])
with tf.Session() as sess:
# 同numpy.tensordot,根据axis计算点乘。输入:axes=1或axes=[[1],[0]],即为矩阵乘。
print '\ntf.tensordot(x, x, axes=1) : \n', sess.run(tf.tensordot(x, x, axes=1))
tf.tensordot(x, x, axes=1) :
[[ 1 15 0]
[ 0 4 0]
[ 0 0 9]]
# coding=utf-8
import tensorflow as tf
x = tf.constant([[1,5,0],[0,2,0],[0,0,3]])
x_f = tf.cast(x, tf.float32)
y = tf.constant([10, 20, 30])
with tf.Session() as sess:
# 将实数 转化为 复数
print '\ntf.complex(x_f, x_f) : \n', sess.run(tf.complex(x_f, x_f))
# 返回 x的 共轭复数
print '\ntf.conj(tf.constant([1+2j, 2-3j])) : \n', sess.run(tf.conj(tf.constant([1+2j,2-3j])))
# 返回 虚数部分
print '\ntf.imag(tf.constant([1+2j,2-3j])): \n', sess.run(tf.imag(tf.constant([1+2j,2-3j])))
# 返回 实数部分
print '\ntf.real(tf.constant([1+2j,2-3j])): \n', sess.run(tf.real(tf.constant([1+2j,2-3j])))
tf.complex(x_f, x_f) :
[[ 1.+1.j 5.+5.j 0.+0.j]
[ 0.+0.j 2.+2.j 0.+0.j]
[ 0.+0.j 0.+0.j 3.+3.j]]
tf.conj(tf.constant([1+2j, 2-3j])) :
[ 1.-2.j 2.+3.j]
tf.imag(tf.constant([1+2j,2-3j])):
[ 2. -3.]
tf.real(tf.constant([1+2j,2-3j])):
[ 1. 2.]
# coding=utf-8
import tensorflow as tf
x = tf.constant(range(1, 10), shape=[3, 3])
x_bool = tf.constant([[True,True,False,False],[True,False,False,True]])
with tf.Session() as sess:
# 沿着维度axis 计算 元素和 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_sum(x) : \n', sess.run(tf.reduce_sum(x))
print '\ntf.reduce_sum(x, axis=0) : \n', sess.run(tf.reduce_sum(x, axis=0))
print '\ntf.reduce_sum(x, axis=1) : \n', sess.run(tf.reduce_sum(x, axis=1))
# 沿着维度axis 计算 元素积 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_prod(x) : \n', sess.run(tf.reduce_prod(x))
print '\ntf.reduce_prod(x, axis=0) : \n', sess.run(tf.reduce_prod(x, axis=0))
print '\ntf.reduce_prod(x, axis=1) : \n', sess.run(tf.reduce_prod(x, axis=1))
# 沿着维度axis 计算 最小值 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_min(x) : \n', sess.run(tf.reduce_min(x))
print '\ntf.reduce_min(x, axis=0) : \n', sess.run(tf.reduce_min(x, axis=0))
print '\ntf.reduce_min(x, axis=1) : \n', sess.run(tf.reduce_min(x, axis=1))
# 沿着维度axis 计算 最大值 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_max(x) : \n', sess.run(tf.reduce_max(x))
print '\ntf.reduce_max(x, axis=0) : \n', sess.run(tf.reduce_max(x, axis=0))
print '\ntf.reduce_max(x, axis=1) : \n', sess.run(tf.reduce_max(x, axis=1))
# 沿着维度axis 计算 均值 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_mean(x) : \n', sess.run(tf.reduce_mean(x))
print '\ntf.reduce_mean(x, axis=0) : \n', sess.run(tf.reduce_mean(x, axis=0))
print '\ntf.reduce_mean(x, axis=1) : \n', sess.run(tf.reduce_mean(x, axis=1))
# 沿着维度axis 计算 逻辑与 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_all(x_bool) : \n', sess.run(tf.reduce_all(x_bool))
print '\ntf.reduce_all(x_bool, ax_boolis=0) : \n', sess.run(tf.reduce_all(x_bool, axis=0))
print '\ntf.reduce_all(x_bool, ax_boolis=1) : \n', sess.run(tf.reduce_all(x_bool, axis=1))
# 沿着维度axis 计算 逻辑或 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_any(x_bool) : \n', sess.run(tf.reduce_any(x_bool))
print '\ntf.reduce_any(x_bool, ax_boolis=0) : \n', sess.run(tf.reduce_any(x_bool, axis=0))
print '\ntf.reduce_any(x_bool, ax_boolis=1) : \n', sess.run(tf.reduce_any(x_bool, axis=1))
# 沿着维度axis 计算 log(sum(exp())) 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
print '\ntf.reduce_min(x) : \n', sess.run(tf.reduce_min(x))
print '\ntf.reduce_min(x, axis=0) : \n', sess.run(tf.reduce_min(x, axis=0))
print '\ntf.reduce_min(x, axis=1) : \n', sess.run(tf.reduce_min(x, axis=1))
# 沿着维度axis 计算 非0个数 。axis=None 时沿所有维度求和;keep_dims=True 时阶数保持不变。
a = tf.constant([[0,0,0], [0,1,2]])
print '\ntf.count_nonzero(a) : \n', sess.run(tf.count_nonzero(a))
print '\ntf.count_nonzero(a, axis=0) : \n', sess.run(tf.count_nonzero(a, axis=0))
print '\ntf.count_nonzero(a, axis=1) : \n', sess.run(tf.count_nonzero(a, axis=1))
# 相对位置 元素相加
print '\ntf.accumulate_n([x, x]) : \n', sess.run(tf.accumulate_n([x, x]))
tf.reduce_sum(x) :
45
tf.reduce_sum(x, axis=0) :
[12 15 18]
tf.reduce_sum(x, axis=1) :
[ 6 15 24]
tf.reduce_prod(x) :
362880
tf.reduce_prod(x, axis=0) :
[ 28 80 162]
tf.reduce_prod(x, axis=1) :
[ 6 120 504]
tf.reduce_min(x) :
1
tf.reduce_min(x, axis=0) :
[1 2 3]
tf.reduce_min(x, axis=1) :
[1 4 7]
tf.reduce_max(x) :
9
tf.reduce_max(x, axis=0) :
[7 8 9]
tf.reduce_max(x, axis=1) :
[3 6 9]
tf.reduce_mean(x) :
5
tf.reduce_mean(x, axis=0) :
[4 5 6]
tf.reduce_mean(x, axis=1) :
[2 5 8]
tf.reduce_all(x_bool) :
False
tf.reduce_all(x_bool, ax_boolis=0) :
[ True False False False]
tf.reduce_all(x_bool, ax_boolis=1) :
[False False]
tf.reduce_any(x_bool) :
True
tf.reduce_any(x_bool, ax_boolis=0) :
[ True True False True]
tf.reduce_any(x_bool, ax_boolis=1) :
[ True True]
tf.reduce_min(x) :
1
tf.reduce_min(x, axis=0) :
[1 2 3]
tf.reduce_min(x, axis=1) :
[1 4 7]
tf.count_nonzero(a) :
2
tf.count_nonzero(a, axis=0) :
[0 1 1]
tf.count_nonzero(a, axis=1) :
[0 2]
tf.accumulate_n([x, x]) :
[[ 2 4 6]
[ 8 10 12]
[14 16 18]]
# coding=utf-8
import tensorflow as tf
x = tf.constant(range(1, 10), shape=[3, 3])
x_bool = tf.constant([[True,True,False,False],[True,False,False,True]])
with tf.Session() as sess:
# 沿着维度axis 进行 累加 。axis=None 时沿所有维度累加。
print '\ntf.cumsum(x) : \n', sess.run(tf.cumsum(x))
print '\ntf.cumsum(x, axis=0) : \n', sess.run(tf.cumsum(x, axis=0))
print '\ntf.cumsum(x, axis=1) : \n', sess.run(tf.cumsum(x, axis=1))
# 沿着维度axis 进行 累积 。axis=None 时沿所有维度累加。
print '\ntf.cumprod(x) : \n', sess.run(tf.cumprod(x))
print '\ntf.cumprod(x, axis=0) : \n', sess.run(tf.cumprod(x, axis=0))
print '\ntf.cumprod(x, axis=1) : \n', sess.run(tf.cumprod(x, axis=1))
tf.cumsum(x) :
[[ 1 2 3]
[ 5 7 9]
[12 15 18]]
tf.cumsum(x, axis=0) :
[[ 1 2 3]
[ 5 7 9]
[12 15 18]]
tf.cumsum(x, axis=1) :
[[ 1 3 6]
[ 4 9 15]
[ 7 15 24]]
tf.cumprod(x) :
[[ 1 2 3]
[ 4 10 18]
[ 28 80 162]]
tf.cumprod(x, axis=0) :
[[ 1 2 3]
[ 4 10 18]
[ 28 80 162]]
tf.cumprod(x, axis=1) :
[[ 1 2 6]
[ 4 20 120]
[ 7 56 504]]
# coding=utf-8
import tensorflow as tf
x = tf.constant(range(1, 10), shape=[3, 3])
x_bool = tf.constant([[True,True,False,False],[True,False,False,True]])
with tf.Session() as sess:
# 返回 沿axis维度 最小值 的 下标。axis=None 时 返回 全局 最小值 的下标。
print '\ntf.argmin(x) : \n', sess.run(tf.argmin(x))
print '\ntf.argmin(x, axis=0) : \n', sess.run(tf.argmin(x, axis=0))
print '\ntf.argmin(x, axis=1) : \n', sess.run(tf.argmin(x, axis=1))
# 返回 沿axis维度 最大值 的 下标。axis=None 时 返回 全局 最大值 的下标。
print '\ntf.argmax(x) : \n', sess.run(tf.argmax(x))
print '\ntf.argmax(x, axis=0) : \n', sess.run(tf.argmax(x, axis=0))
print '\ntf.argmax(x, axis=1) : \n', sess.run(tf.argmax(x, axis=1))
tf.argmin(x) :
[0 0 0]
tf.argmin(x, axis=0) :
[0 0 0]
tf.argmin(x, axis=1) :
[0 0 0]
tf.argmax(x) :
[2 2 2]
tf.argmax(x, axis=0) :
[2 2 2]
tf.argmax(x, axis=1) :
[2 2 2]