来自：https://cloud.tencent.com/developer/labs/lab/10324
TensorFlow - 相关 API
TensorFlow 相关函数理解
任务时间：时间未知
tf.nn.conv2d
conv2d(
input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format=‘NHWC‘,
name=None
)
功能说明：
卷积的原理可参考 A guide to convolution arithmetic for deep learning
参数列表：
| 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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 conv2d.py，内容可参考：
示例代码：/home/ubuntu/conv2d.py
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))
然后执行:
cd /home/ubuntu;
python conv2d.py
执行结果：
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
relu(
features,
name=None
)
功能说明：
relu激活函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 relu.py，内容可参考：
示例代码：/home/ubuntu/relu.py
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))
然后执行：
cd /home/ubuntu;
python relu.py
执行结果：
[1 0 0 4 0 6]
tf.nn.max_pool
max_pool(
value,
ksize,
strides,
padding,
data_format=‘NHWC‘,
name=None
)
功能说明：
池化的原理可参考 CS231n: Convolutional Neural Networks for Visual Recognition
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 max_pool.py，内容可参考：
示例代码：/home/ubuntu/max_pool.py
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))
然后执行：
cd /home/ubuntu;
python max_pool.py
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
dropout(
x,
keep_prob,
noise_shape=None,
seed=None,
name=None
)
功能说明：
原理可参考 CS231n: Convolutional Neural Networks for Visual Recognition
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 dropout.py，内容可参考：
示例代码：/home/ubuntu/dropout.py
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}))
然后执行：
cd /home/ubuntu;
python dropout.py
执行结果：
[[ 0. 0. 0. ]
[ 5.33333349 6.66666651 8. ]]
tf.nn.sigmoid_cross_entropy_with_logits
sigmoid_cross_entropy_with_logits(
_sentinel=None,
labels=None,
logits=None,
name=None
)
功能说明：
先对 logits 通过 sigmoid 计算，再计算交叉熵，交叉熵代价函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 sigmoid_cross_entropy_with_logits.py：
示例代码：/home/ubuntu/sigmoid_cross_entropy_with_logits.py
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))
然后执行：
cd /home/ubuntu;
python sigmoid_cross_entropy_with_logits.py
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
truncated_normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.float32,
seed=None,
name=None
)
功能说明：
产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]。
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| 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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 truncated_normal.py：
示例代码：/home/ubuntu/truncated_normal.py
import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print(tf.Session().run(initial))
然后执行:
python /home/ubuntu/truncated_normal.py
执行结果：
将得到一个取值范围 [ -2, 2 ] 的 3 * 3 矩阵，您也可以尝试修改源代码看看输出结果有什么变化？
tf.constant
constant(
value,
dtype=None,
shape=None,
name=‘Const‘,
verify_shape=False
)
功能说明：
根据 value 的值生成一个 shape 维度的常量张量
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 constant.py，内容可参考：
示例代码：/home/ubuntu/constant.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
a = tf.constant([1,2,3,4,5,6],shape=[2,3])
b = tf.constant(-1,shape=[3,2])
c = tf.matmul(a,b)
e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
g = tf.matmul(e,f)
with tf.Session() as sess:
print (sess.run(a))
print ("##################################")
print (sess.run(b))
print ("##################################")
print (sess.run(c))
print ("##################################")
print (sess.run(e))
print ("##################################")
print (sess.run(f))
print ("##################################")
print (sess.run(g))
然后执行:
python /home/ubuntu/constant.py
执行结果：
a: 2x3 维张量；
b: 3x2 维张量；
c: 2x2 维张量；
e: 2x2x3 维张量；
f: 2x3x2 维张量；
g: 2x2x2 维张量。
tf.placeholder
placeholder(
dtype,
shape=None,
name=None
)
功能说明：
是一种占位符，在执行时候需要为其提供数据
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 placeholder.py，内容可参考：
示例代码：/home/ubuntu/placeholder.py
#!/usr/bin/python
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}))
然后执行:
python /home/ubuntu/placeholder.py
执行结果：
输出一个 3x3 的张量
tf.nn.bias_add
bias_add(
value,
bias,
data_format=None,
name=None
)
功能说明：
将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。
参数列表：
| 参数名 | 必选 | 类型 | 说明 |
|---|---|---|---|
| value | 是 | 张量 | 数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128 |
| bias | 是 | 1 维张量 | 维度必须和 value 最后一维维度相等 |
| data_format | 否 | string | 数据格式，支持 ‘ NHWC ‘ 和 ‘ NCHW ‘ |
| name | 否 | string | 运算名称 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 bias_add.py，内容可参考：
示例代码：/home/ubuntu/bias_add.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
b = tf.constant([2.0,1.0])
c = tf.constant([1.0])
sess = tf.Session()
print (sess.run(tf.nn.bias_add(a, b)))
#print (sess.run(tf.nn.bias_add(a,c))) error
print ("##################################")
print (sess.run(tf.add(a, b)))
print ("##################################")
print (sess.run(tf.add(a, c)))
然后执行:
python /home/ubuntu/bias_add.py
执行结果：
3 个 3x2 维张量。您也可以尝试修改源代码看看输出结果有什么变化？
tf.reduce_mean
reduce_mean(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)
功能说明：
计算张量 input_tensor 平均值
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 reduce_mean.py，内容可参考：
示例代码：/home/ubuntu/reduce_mean.py
#!/usr/bin/python
import tensorflow as tf
import numpy as np
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
然后执行:
python /home/ubuntu/reduce_mean.py
执行结果：
1.5
[ 1.5 1.5]
[ 1. 2.]
tf.squared_difference
squared_difference(
x,
y,
name=None
)
功能说明：
计算张量 x、y 对应元素差平方
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 squared_difference.py，内容可参考：
示例代码：/home/ubuntu/squared_difference.py
#!/usr/bin/python
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))
然后执行:
python /home/ubuntu/squared_difference.py
执行结果：
[[ 4. 4.]
[ 4. 4.]]
tf.square
square(
x,
name=None
)
功能说明：
计算张量对应元素平方
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 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 square.py，内容可参考：
示例代码：/home/ubuntu/square.py
#!/usr/bin/python
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))
然后执行:
python /home/ubuntu/square.py
执行结果：
[[ 1. 1.]
[ 4. 4.]]
TensorFlow 相关类理解
任务时间：时间未知
tf.Variable
__init__(
initial_value=None,
trainable=True,
collections=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
expected_shape=None,
import_scope=None
)
功能说明：
维护图在执行过程中的状态信息，例如神经网络权重值的变化。
参数列表：
| 参数名 | 类型 | 说明 |
|---|---|---|
| initial_value | 张量 | Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False |
| trainable | Boolean | 是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取） |
| collections | Graph collections | 全局存储，默认是 GraphKeys.GLOBAL_VARIABLES |
| validate_shape | Boolean | 是否允许被未知维度的 initial_value 初始化 |
| caching_device | string | 指明哪个 device 用来缓存变量 |
| name | string | 变量名 |
| dtype | dtype | 如果被设置，初始化的值就会按照这个类型初始化 |
| expected_shape | TensorShape | 要是设置了，那么初始的值会是这种维度 |
示例代码：
现在您可以在 /home/ubuntu 目录下创建源文件 Variable.py，内容可参考：
示例代码：/home/ubuntu/Variable.py
#!/usr/bin/python
import tensorflow as tf
initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
W=tf.Variable(initial)
list = [[1.,1.],[2.,2.]]
X = tf.Variable(list,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print ("##################(1)################")
print (sess.run(W))
print ("##################(2)################")
print (sess.run(W[:2,:2]))
op = W[:2,:2].assign(22.*tf.ones((2,2)))
print ("###################(3)###############")
print (sess.run(op))
print ("###################(4)###############")
print (W.eval(sess)) #computes and returns the value of this variable
print ("####################(5)##############")
print (W.eval()) #Usage with the default session
print ("#####################(6)#############")
print (W.dtype)
print (sess.run(W.initial_value))
print (sess.run(W.op))
print (W.shape)
print ("###################(7)###############")
print (sess.run(X))
然后执行：
python /home/ubuntu/Variable.py
完成实验
任务时间：时间未知
实验内容已完成
您可进行更多关于机器学习教程：
- 实验列表 - 机器学习
关于 TensorFlow 的更多资料可参考 TensorFlow 官网 。