tf loss构建常用到函数

1、tf.map_fn

tf.map_fn是TensorFlow中的一个函数，用于对给定的函数和输入进行逐元素的映射，其定义如下：

tf.map_fn(
    fn,
    elems,
    dtype=None,
    parallel_iterations=None,
    back_prop=True,
    swap_memory=False,
    infer_shape=True,
    name=None,
    fn_output_signature=None
)

tf1.x中tf.map_fn没有fn_output_signature参数

tf.map_fn案例

tf.map_fn(fn=lambda t: tf.range(t, t + 3), elems=tf.constant([3, 5, 2]))

https://www.tensorflow.org/api_docs/python/tf/map_fn

tf.map_fn( )的用法-CSDN博客

2、tf.pad

定义 ：tf.pad()函数是TensorFlow中的一个方法，用于在张量的边界上进行填充。

tf.pad(tensor, paddings, mode='CONSTANT', constant_values=0)

参数解释：

• tensor：需要填充的张量。
• paddings：填充的大小，格式为[[pad_top, pad_bottom], [pad_left, pad_right], ...]，其中每个维度的填充大小为两个元素的列表。例如，如果填充第一个维度10个元素，则paddings为[[10, 0], [0, 0]]。
• mode：填充模式。可选值有'CONSTANT'、'REFLECT'、'SYMMETRIC'。默认为'CONSTANT'，表示使用常数进行填充。
• constant_values：当mode为'CONSTANT'时，用于填充的常数值，默认为0。

返回值： 返回填充后的张量。

案例：

import tensorflow as tf

# 创建一个输入张量
x = tf.constant([[1, 2], [3, 4]])

# 使用tf.pad函数在各个维度上进行填充
result = tf.pad(x, paddings=[[1, 1], [2, 2]])

print(result)

paddings=[[1, 1], [2, 2]]是指在第1维的上下均填充1维，在第2维的左右都填充2维

输出结果

https://www.tensorflow.org/api_docs/python/tf/pad

3、tf.where 

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

tf.where是一个用于根据条件选择元素的函数。它的作用类似于Python中的条件表达式（ternary expression）。

tf.where函数接受一个条件张量和两个张量（或者相同形状的数组）作为输入，并返回一个新的张量，其中根据条件选择了对应位置的元素。

以下是一个示例，演示如何使用tf.where函数选择满足条件的元素：

import tensorflow as tf

# 创建一个条件张量和两个输入张量
condition = tf.constant([True, False, True])
x = tf.constant([1, 2, 3])
y = tf.constant([4, 5, 6])

# 使用tf.where根据条件选择元素
result = tf.where(condition, x, y)

print(result)

输出结果

4、tf.expand_dims

定义

tf.expand_dims(
    input, axis, name=None
)

tf.expand_dims是TensorFlow中的一个函数，用于在张量的特定维度上插入新的维度。

tf.expand_dims函数接受一个输入张量和一个axis参数，它在输入张量的axis位置插入一个新的维度。

以下是一个示例，展示如何使用tf.expand_dims函数在张量的特定维度上插入新的维度：

import tensorflow as tf

# 创建一个输入张量
x = tf.constant([1, 2, 3, 4])

# 在维度1上插入新的维度
result = tf.expand_dims(x, axis=1)

print(result)

在这个示例中，我们首先创建了一个输入张量x，其中包含了四个元素。然后，我们使用tf.expand_dims函数在维度1上插入新的维度。最后，打印结果。

tf.Tensor(
[[1]
 [2]
 [3]
 [4]], shape=(4, 1), dtype=int32)

5、tf.tile

定义

tf.tile(
    input: _atypes.TensorFuzzingAnnotation[TV_Tile_T],
    multiples: _atypes.TensorFuzzingAnnotation[TV_Tile_Tmultiples],
    name=None
) -> _atypes.TensorFuzzingAnnotation[TV_Tile_T]

tf.tile是TensorFlow中的一个函数，用于在给定维度上复制张量的值。

tf.tile函数接受一个输入张量和一个multiples参数，它在输入张量的每个维度上复制相应倍数的值，并返回一个新的张量。

以下是一个示例，演示如何使用tf.tile函数在给定维度上复制张量的值

import tensorflow as tf

# 创建一个输入张量
x = tf.constant([1, 2, 3])

# 在维度0上复制2次
result = tf.tile(x, multiples=[2])

print(result)

输出结果：

tf.Tensor([1 2 3 1 2 3], shape=(6,), dtype=int32)

可以看到，通过tf.tile函数在维度0上复制了两次输入张量的值，得到了一个形状为(6,)的新张量。

需要注意的是，multiples参数是一个列表，表示在每个维度上复制的倍数。如果multiples的长度小于输入张量的维度数，则会自动在后续维度上复制一次。例如，如果输入张量的形状是(3, 4, 5, 6)，而multiples为[2, 3]，则会在维度0上复制2次，在维度1上复制3次，在维度2和维度3上各复制1次。

tf.tile函数在很多情况下非常有用，特别是在需要进行张量形状扩展或对齐操作时。

6、tf.gather_nd

tf.gather_nd是TensorFlow中的一个函数，用于根据索引获取多维张量中的元素的值。定义

tf.gather_nd(
    params, indices, batch_dims=0, name=None
)

tf.gather_nd函数接受一个输入张量和一个索引张量作为输入，它根据索引张量中指定的索引位置，从输入张量中获取对应的元素值，并返回一个新的张量。

以下是一个示例，演示如何使用tf.gather_nd函数获取多维张量中的元素值：

import tensorflow as tf

# 创建一个输入张量
x = tf.constant([[1, 2], [3, 4], [5, 6]])

# 创建一个索引张量
indices = tf.constant([[0, 0], [2, 1]])

# 使用tf.gather_nd函数获取元素值
result = tf.gather_nd(x, indices)

print(result)

在这个示例中，我们首先创建了一个输入张量x，它是一个 3x2 的张量。然后，我们创建了一个索引张量indices，其中包含了两个索引位置的坐标。接下来，我们使用tf.gather_nd函数根据索引张量获取输入张量中对应位置的元素值。最后，打印结果。

tf.Tensor([1 6], shape=(2,), dtype=int32)

7、tf.reduce_min

tf.reduce_min是TensorFlow中的一个函数，用于计算张量在指定维度上的最小值。当在tf.reduce_min函数中不指定axis参数时，它会计算整个张量的最小值。定义

output = tf.reduce_min(input_tensor, axis=None, keepdims=False, name=None)

案例

不指定axis时，计算整个张量的最小值

import tensorflow as tf

# 创建一个输入张量
x = tf.constant([[1, 2, 3], [4, 5, 6]])

# 计算整个张量的最小值
result = tf.reduce_min(x)

print(result)

输出如下：

tf.Tensor(1, shape=(), dtype=int32)

指定aixs时，计算aixs的维度的最小值

import tensorflow as tf

# 创建一个输入张量
x = tf.constant([[1, 2], [3, 4]])

# 计算张量在维度0上的最小值
result = tf.reduce_min(x, axis=0)

print(result)

输出：

tf.Tensor([1 2], shape=(2,), dtype=int32)

8、tf.stack

tf.stack将一系列 R 阶张量堆叠到一个 (R+1) 阶张量中。 定义

tf.stack(
    values, axis=0, name='stack'
)

通过沿轴维度将值中的张量列表打包为比每个张量高一级的张量。给定长度为 N 的形状为 (A, B, C) 的张量列表；如果 axis == 0 那么输出张量将具有形状 (N, A, B, C)。如果 axis == 1 那么输出张量将具有形状 (A, N, B, C)。

案例

x = tf.constant([1, 4])
y = tf.constant([2, 5])
z = tf.constant([3, 6])
tf.stack([x, y, z])

tf.stack([x, y, z], axis=1)

tf.stack([x,y,z])的输出



tf.stack([x,y,z],axis=1)的输出

9、tf.concat

tf.concat 是 TensorFlow 中的一个函数，用于沿指定的轴拼接张量。它接受一个张量列表，并沿着指定的轴拼接它们。定义

tf.concat(
    values, axis, name='concat'
)

案例

import tensorflow as tf

# 创建两个张量
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9], [10, 11, 12]])

# 沿轴0拼接
result = tf.concat([tensor1, tensor2], axis=0)

with tf.Session() as sess:
    print(sess.run(result))

结果输出

10、tensor.get_shape().as_list()

tensor.get_shape()获取tensor的维度，.as_list()以list的形式返回

x = tf.constant([[1, 2, 3], [4, 5, 6]])
shape = x.get_shape().as_list()

输出

[2, 3]

11、tf.unique_with_counts

tf.unique_with_counts 函数用于对输入张量中的元素进行去重，并返回去重后的元素、元素在原始张量中的索引、元素在原始张量中的计数。x为1-d tensor，定义：

y, idx, count = tf.unique_with_counts(x, out_idx=tf.int64)

https://github.com/tensorflow/docs/blob/r1.12/site/en/api_docs/python/tf/unique_with_counts.md

案例：

x = tf.constant([1, 2, 3, 1, 2, 1, 3, 3, 3])
y, idx, count = tf.unique_with_counts(x)

输出结果

不重复的元素y:

索引下标idx:

不重复元素对应的计数count：

12、tf.greater_equal

tf.greater_equal 是 TensorFlow 中用于比较两个张量元素是否满足大于等于的元素级别比较的函数。定义如下：

result = tf.greater_equal(x, y, name=None)

案例：

两个张量比较大小

# 创建输入张量
x = tf.constant([1, 2, 3, 4])
y = tf.constant([2, 2, 2, 2])

# 进行元素级别的大于等于比较
result = tf.greater_equal(x, y)

输出：

张量和一个数值比较大小

# 创建输入张量
x = tf.constant([1, 2, 3, 4])
y = 2

# 进行元素级别的大于等于比较
result = tf.greater_equal(x, y)

输出

13、tf.reshape

tf.reshape 是 TensorFlow 中用于改变张量形状的函数。它可以用来重新排列张量的维度，以适应不同的计算需求。

reshaped_tensor = tf.reshape(tensor, shape, name=None)

案例

x = tf.constant([[1, 2, 3], [4, 5, 6]])

# 改变张量形状
reshaped_x = tf.reshape(x, [3, 2])

输出结果

14、tf.cast

将一个 tensor 变为新的类型 type。定义

tf.cast(
    x, dtype, name=None
)

案例

x = tf.constant([1.8, 2.2], dtype=tf.float32)
tf.cast(x, tf.int32)

输出

15、tf.div_no_nan

计算不安全除法，如果y等于0，则返回0。定义：

tf.div_no_nan(
    x,
    y,
    name=None
)

案例：

x = tf.constant([1, 2, 3, 4], dtype=tf.float32)
y = tf.constant([0, 2, 0, 4], dtype=tf.float32)
z=tf.div_no_nan(x,y)

输出：

16、tf.nn.softmax_cross_entropy_with_logits_v2

计算labels和logits之间的交叉熵，定义如下：

tf.nn.softmax_cross_entropy_with_logits_v2(
    _sentinel=None,
    labels=None,
    logits=None,
    dim=-1,
    name=None
)

https://github.com/tensorflow/docs/blob/r1.12/site/en/api_docs/python/tf/nn/softmax_cross_entropy_with_logits_v2.md

案例

import tensorflow as tf

# 创建标签张量和预测得分张量
labels = tf.constant([[0, 1, 0], [1, 0, 0]], dtype=tf.float32)
logits = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.float32)

# 计算 softmax 交叉熵损失
loss = tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits)

输出

17、tf.math.log1p

tf.math.log1p 是 TensorFlow 中的一个数学函数，用于计算输入张量加1后的自然对数。

tf.math.log1p 的基本用法如下：

output = tf.math.log1p(input)

案例

x = tf.constant([1, 2, 3],dtype=tf.float32)
output = tf.math.log1p(x)

输出

参考文献

https://www.tensorflow.org/api_docs/python/tf/map_fn

tf.map_fn( )的用法-CSDN博客

tensorflow tf.pad解析_tensorflow.pad-CSDN博客