TensorFlow 基本用法（一）

介绍在官方文档中MNIST入门中用到的函数

1. tf.placeholder(dtype, shape=None, name=None)

• dtype：数据类型
• shape：数据形状
• name：操作的命名（可以不指定）
• 返回值为Tensor类型

x = tf.placeholder("float", [None,784]) #None表示该维度长度任意
#返回值为Tensor("Placeholder:0",shape=(?, 784),dtype=float32)

2. tf.Variable(initial-value, name= optional-name)

• initial-value：初始值，用来指定变量的类型和形状
• optional_name：操作的命名（可以不指定）
• 返回值为Variable类型

W = tf.Variable(tf.zeros([784,10]))
#返回值为Variable("Variable:0",shape=(784, 10),dtype=float32_ref)
w = tf.Variable([784,10]) 
#返回值为Variable("Variable_1:0",shape=(2,),dtype=int32_ref)

创建变量时始终需要指定一个默认值

3. tf.reduce_sum(input_tensor, axis=None, keepdims=None, name=None, reduction_indices=None, keep_dims=None)

• input_tensor：输入的张量
• axis：进行操作的轴，0按列求和，1按行求和
• keepdims：当值为False时，张量秩减一，如二阶张量降为一阶张量；当值为True，张量所在轴降维，长度变为1
• name：操作的命名（可以不指定）
• reduction_indices：axis以前的命名，已弃用
• keep_dims：keepdims已弃用的别名
• 返回值为Tensor类型

x = tf.constant([[1, 1, 1], [1, 1, 1]])
x1 = tf.reduce_sum(x)  
#求和，输出为6
x2 = tf.reduce_sum(x, 0)  
#按列求和，行被压缩，shape=(2,3)变为shape=(3,),输出[2, 2, 2]
x3 = tf.reduce_sum(x, 1)  
#按行求和，列被压缩，shape=(2,3)变为shape=(2,),输出[3, 3]
x4 = tf.reduce_sum(x, 1, keepdims=True)  
#按行求和，列降到一维，shape=(2,3)变为shape=(2,1)，输出[[3], [3]]
x5 = tf.reduce_sum(x, [0, 1])  
#按行列求和，输出为6

相关函数
tf.reduce_prod
tf.reduce_min
tf.reduce_max
tf.reduce_mean
tf.reduce_all
tf.reduce_any

4. tf.nn.softmax(logits, axis=None, name=None, dim=None)

• logits：输入的张量
• axis：进行操作的轴
• name：操作的命名（可以不指定）
• dim：axis已弃用的命名
• 返回值为Tensor类型

A = [1.0,2.0,3.0,4.0,5.0,6.0]
with tf.Session() as sess:
print sess.run(tf.nn.softmax(A))
#输出[ 0.00426978 0.01160646 0.03154963 0.08576079 0.23312201 0.63369131]

5. tf.train.GradientDescentOptimizer()

这是个optimizer优化器类
详细使用在这篇博客讲的比较详细https://blog.csdn.net/xierhacker/article/details/53174558

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

• input：输入的张量
• axis：轴，0代表按列返回数据最大值所在的索引值，1代表按行
• name：操作的命名（可以不指定）
• dimension：与axis功能一样
• output_type：返回值类型
• 返回值为数据最大值所在的索引值

a = tf.constant([5,2,3,4,1])
b = tf.constant([[2,3,1],[3,2,1]])
sess =tf.InteractiveSession()
a1 = tf.argmax(a,0)
print(a1.eval())
#输出0
b1 = tf.argmax(b,0)
print(b1.eval())
#输出[1 0 0]
b2 = tf.argmax(b,1)
print(b2.eval())
#输出[1 0]
sess.close()

7. tf.equal(x, y, name=None)

• x，y：进行比较的两个张量
• name：操作的命名（可以不指定）
• 返回值为Tensor类型，元素为布尔值

a = [1,2,3]
b = [2,2,2]
op = tf.equal(a,b)
sess = tf.InteractiveSession()
print(op.eval())
sess.close()
#输出[False  True False]

8. 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）

• a，b：两个张量秩大于等于二的张量(二维矩阵)，类型相同
• transpose_a：如果为真，a在矩阵乘法之前进行转置
• transpose_b：如果为真，b在矩阵乘法之前进行转置
• adjoint_a：如果为真，a在矩阵乘法之前进行共轭或转置
• adjoint_b：如果为真，b在矩阵乘法之前进行共轭或转置
• a_is_sparse：如果为真，a将被处理为稀疏矩阵
• b_is_sparse：如果为真，b将被处理为稀疏矩阵
• name：操作的命名（可以不指定）

x = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])
y = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2])
z = tf.matmul(x, y)
sess = tf.InteractiveSession()
print(x.eval())
sess.close()
#[[1 2 3],[4 5 6]]

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

• x：输入张量
• dtype：目标类型
• name：操作的命名（可以不指定）

a = tf.constant([1,2,3])
print(a)
#Tensor("Const_2:0", shape=(3,), dtype=int32)
b = tf.cast(a,"float")
sess = tf.InteractiveSession()
b.eval()
print(b)
#Tensor("Cast:0", shape=(3,), dtype=float32)
sess.close()