tensorflow function

一、Tensor 之间的运算规则

• 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级
• 不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting)
• Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素
• Note： TensorFLow 在进行数学运算时，一定要求各个 Tensor 数据类型一致

---

二、常用操作符和基本数学函数

大多数运算符都进行了重载操作，使我们可以快速使用 (+ - * /) 等，但是有一点不好的是使用重载操作符后就不能为每个操作命名了。

1. # 算术操作符：+ - * / %

2. tf.add(x, y, name=None) # 加法(支持 broadcasting)

3. tf.subtract(x, y, name=None) # 减法

4. tf.multiply(x, y, name=None) # 乘法

5. tf.divide(x, y, name=None) # 浮点除法, 返回浮点数(python3 除法)

6. tf.mod(x, y, name=None) # 取余

7.  
8.  

9. # 幂指对数操作符：^ ^2 ^0.5 e^ ln

10. tf.pow(x, y, name=None) # 幂次方

11. tf.square(x, name=None) # 平方

12. tf.sqrt(x, name=None) # 开根号，必须传入浮点数或复数

13. tf.exp(x, name=None) # 计算 e 的次方

14. tf.log(x, name=None) # 以 e 为底，必须传入浮点数或复数

15.  
16.  

17. # 取符号、负、倒数、绝对值、近似、两数中较大/小的

18. tf.negative(x, name=None) # 取负(y = -x).

19. tf.sign(x, name=None) # 返回 x 的符号

20. tf.reciprocal(x, name=None) # 取倒数

21. tf.abs(x, name=None) # 求绝对值

22. tf.round(x, name=None) # 四舍五入

23. tf.ceil(x, name=None) # 向上取整

24. tf.floor(x, name=None) # 向下取整

25. tf.rint(x, name=None) # 取最接近的整数

26. tf.maximum(x, y, name=None) # 返回两tensor中的最大值 (x > y ? x : y)

27. tf.minimum(x, y, name=None) # 返回两tensor中的最小值 (x < y ? x : y)

28.  
29.  

30. # 三角函数和反三角函数

31. tf.cos(x, name=None)

32. tf.sin(x, name=None)

33. tf.tan(x, name=None)

34. tf.acos(x, name=None)

35. tf.asin(x, name=None)

36. tf.atan(x, name=None)

37.  
38.  

39. # 其它

40. tf.div(x, y, name=None) # python 2.7 除法, x/y-->int or x/float(y)-->float

41. tf.truediv(x, y, name=None) # python 3 除法, x/y-->float

42. tf.floordiv(x, y, name=None) # python 3 除法, x//y-->int

43. tf.realdiv(x, y, name=None)

44. tf.truncatediv(x, y, name=None)

45. tf.floor_div(x, y, name=None)

46. tf.truncatemod(x, y, name=None)

47. tf.floormod(x, y, name=None)

48. tf.cross(x, y, name=None)

49. tf.add_n(inputs, name=None) # inputs: A list of Tensor objects, each with same shape and type

50. tf.squared_difference(x, y, name=None)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50

---

三、矩阵数学函数

1. # 矩阵乘法(tensors of rank >= 2)

2. tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)

3.  
4.  

5. # 转置，可以通过指定 perm=[1, 0] 来进行轴变换

6. tf.transpose(a, perm=None, name='transpose')

7.  
8.  

9. # 在张量 a 的最后两个维度上进行转置

10. tf.matrix_transpose(a, name='matrix_transpose')

11. # Matrix with two batch dimensions, x.shape is [1, 2, 3, 4]

12. # tf.matrix_transpose(x) is shape [1, 2, 4, 3]

13.  
14.  

15. # 求矩阵的迹

16. tf.trace(x, name=None)

17.  
18.  

19. # 计算方阵行列式的值

20. tf.matrix_determinant(input, name=None)

21.  
22.  

23. # 求解可逆方阵的逆，input 必须为浮点型或复数

24. tf.matrix_inverse(input, adjoint=None, name=None)

25.  
26.  

27. # 奇异值分解

28. tf.svd(tensor, full_matrices=False, compute_uv=True, name=None)

29.  
30.  

31. # QR 分解

32. tf.qr(input, full_matrices=None, name=None)

33.  
34.  

35. # 求张量的范数(默认2)

36. tf.norm(tensor, ord='euclidean', axis=None, keep_dims=False, name=None)

37.  
38.  
39.  

40. # 构建一个单位矩阵, 或者 batch 个矩阵，batch_shape 以 list 的形式传入

41. tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)

42. # Construct one identity matrix.

43. tf.eye(2)

44. ==> [[1., 0.],

45. [0., 1.]]

46.  

47. # Construct a batch of 3 identity matricies, each 2 x 2.

48. # batch_identity[i, :, :] is a 2 x 2 identity matrix, i = 0, 1, 2.

49. batch_identity = tf.eye(2, batch_shape=[3])

50.  

51. # Construct one 2 x 3 "identity" matrix

52. tf.eye(2, num_columns=3)

53. ==> [[ 1., 0., 0.],

54. [ 0., 1., 0.]]

55.  
56.  

57. # 构建一个对角矩阵，rank = 2*rank(diagonal)

58. tf.diag(diagonal, name=None)

59. # 'diagonal' is [1, 2, 3, 4]

60. tf.diag(diagonal) ==> [[1, 0, 0, 0]

61. [0, 2, 0, 0]

62. [0, 0, 3, 0]

63. [0, 0, 0, 4]]

64.  
65.  
66.  

67. # 其它

68. tf.diag_part

69. tf.matrix_diag

70. tf.matrix_diag_part

71. tf.matrix_band_part

72. tf.matrix_set_diag

73. tf.cholesky

74. tf.cholesky_solve

75. tf.matrix_solve

76. tf.matrix_triangular_solve

77. tf.matrix_solve_ls

78. tf.self_adjoint_eig

79. tf.self_adjoint_eigvals

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79

---

四、Reduction：reduce various dimensions of a tensor

1. # 计算输入 tensor 所有元素的和，或者计算指定的轴所有元素的和

2. tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None)

3. # 'x' is [[1, 1, 1]

4. # [1, 1, 1]]

5. tf.reduce_sum(x) ==> 6

6. tf.reduce_sum(x, 0) ==> [2, 2, 2]

7. tf.reduce_sum(x, 1) ==> [3, 3]

8. tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] # 维度不缩减

9. tf.reduce_sum(x, [0, 1]) ==> 6

10.  
11.  

12. # 计算输入 tensor 所有元素的均值/最大值/最小值/积/逻辑与/或

13. # 或者计算指定的轴所有元素的均值/最大值/最小值/积/逻辑与/或(just like reduce_sum)

14. tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None)

15. tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None)

16. tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None)

17. tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None)

18. tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None) # 全部满足条件

19. tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None) #至少有一个满足条件

20.  
21.  

22. -------------------------------------------

23. # 分界线以上和 Numpy 中相应的用法完全一致

24. -------------------------------------------

25.  
26.  
27.  

28. # inputs 为一 list, 计算 list 中所有元素的累计和，

29. # tf.add(x, y， name=None)只能计算两个元素的和，此函数相当于扩展了其功能

30. tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None)

31.  
32.  

33. # Computes log(sum(exp(elements across dimensions of a tensor)))

34. tf.reduce_logsumexp(input_tensor, axis=None, keep_dims=False, name=None)

35.  
36.  

37. # Computes number of nonzero elements across dimensions of a tensor

38. tf.count_nonzero(input_tensor, axis=None, keep_dims=False, name=None)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38

---

五、Scan：perform scans (running totals) across one axis of a tensor

1. # Compute the cumulative sum of the tensor x along axis

2. tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None)

3. # Eg:

4. tf.cumsum([a, b, c]) # => [a, a + b, a + b + c]

5. tf.cumsum([a, b, c], exclusive=True) # => [0, a, a + b]

6. tf.cumsum([a, b, c], reverse=True) # => [a + b + c, b + c, c]

7. tf.cumsum([a, b, c], exclusive=True, reverse=True) # => [b + c, c, 0]

8.  
9.  

10. # Compute the cumulative product of the tensor x along axis

11. tf.cumprod(x, axis=0, exclusive=False, reverse=False, name=None)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

---

六、Segmentation

沿着第一维(x 轴)根据 segment_ids(list)分割好相应的数据后再进行操作

1. # Computes the sum/mean/max/min/prod along segments of a tensor

2. tf.segment_sum(data, segment_ids, name=None)

3. # Eg:

4. m = tf.constant([5,1,7,2,3,4,1,3])

5. s_id = [0,0,0,1,2,2,3,3]

6. s.run(tf.segment_sum(m, segment_ids=s_id))

7. >array([13, 2, 7, 4], dtype=int32)

8.  

9. tf.segment_mean(data, segment_ids, name=None)

10. tf.segment_max(data, segment_ids, name=None)

11. tf.segment_min(data, segment_ids, name=None)

12. tf.segment_prod(data, segment_ids, name=None)

13.  
14.  

15. # 其它

16. tf.unsorted_segment_sum

17. tf.sparse_segment_sum

18. tf.sparse_segment_mean

19. tf.sparse_segment_sqrt_n

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

---

七、 序列比较与索引提取

1. # 比较两个 list 或者 string 的不同，并返回不同的值和索引

2. tf.setdiff1d(x, y, index_dtype=tf.int32, name=None)

3.  
4.  

5. # 返回 x 中的唯一值所组成的tensor 和原 tensor 中元素在现 tensor 中的索引

6. tf.unique(x, out_idx=None, name=None)

7.  
8.  

9. # x if condition else y, condition 为 bool 类型的，可用tf.equal()等来表示

10. # x 和 y 的形状和数据类型必须一致

11. tf.where(condition, x=None, y=None, name=None)

12.  
13.  

14. # 返回沿着坐标轴方向的最大/最小值的索引

15. tf.argmax(input, axis=None, name=None, output_type=tf.int64)

16. tf.argmin(input, axis=None, name=None, output_type=tf.int64)

17.  
18.  

19. # x 的值当作 y 的索引，range(len(x)) 索引当作 y 的值

20. # y[x[i]] = i for i in [0, 1, ..., len(x) - 1]

21. tf.invert_permutation(x, name=None)

22.  
23.  

24. # 其它

25. tf.edit_distanc