# -*- coding:utf-8 -*-
#import sys
#reload(sys)
#sys.setdefaultencoding("utf-8")
import tensorflow as tf
sess=tf.Session()
import numpy as np
#tensor生成 tens1=tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]]) print sess.run(tens1)
x=tf.constant(np.random.rand(32).astype(np.float32)) y=tf.constant([1,2,3]) print sess.run(x) print x.eval()#通上
#np_to_tensor x_data=[[1.,2.,3.],[4.,5.,6.],[7,8,9]] x=tf.convert_to_tensor(x_data,dtype=tf.float32)
tf.Operation.type#返回操作类型 tf.Operation.inputs#返回表示操作的输入张量对象列表
#定义张量变量 b=tf.Variable(tf.zeros([1000])) #需要初始化后才能变量显示 sess.run(tf.initialize_all_variables()) sess.run(b)
矩阵操作
#矩阵操作 sess=tf.InteractiveSession() x1=tf.constant([[1,2],[3,4]]) x2=tf.constant([[2,3],[4,5]]) tf.transpose(x1).eval()#矩阵转置 tf.matmul(x1,x2).eval()#矩阵相乘 matrix multiplication x_data=[[1.,2.,3.],[4.,4.,6.],[7,11,9]] tf.matrix_determinant(x_data).eval()#行列式计算 matrix determinant tf.matrix_inverse(x_data).eval()#矩阵求逆 matrix inverse y=[[1.1],[1.],[1]] tf.matrix_solve(x_data,y).eval()#求多元线性方程组
元素操作
#对应元素操作 x1=tf.constant([[1,2],[3,4]]) x2=tf.constant([[2,3],[4,5]]) #两矩阵操作，其中name默认为None tf.add(x1,x2,name=None).eval()#对应元素相加 tf.subtract(x1,x2,name=None).eval()#对应元素相减 tf.multiply(x1,x2,name=None).eval()#对应元素相乘 tf.divide(x1,x2,name=None).eval()#对应元素相除 tf.div(x1,x2,name=None).eval()#对应元素取商 tf.mod(x1,x2,name=None).eval()#对应元素取余 tf.maximum(x1,x2).eval()#对应元素取最大值 tf.minimum(x1,x2).eval()#对应元素取最小值 tf.accumulate_n([x1,x2]).eval()#列求和 tf.cumsum([x1,x2]).eval()#求累积和 ''' tf.cumsum([a, b, c]) ==> [a, a + b, a + b + c] tf.cumsum([a, b, c], exclusive=True) ==> [0, a, a + b] tf.cumsum([a, b, c], reverse=True) ==> [a + b + c, b + c, c] tf.cumsum([a, b, c], exclusive=True, reverse=True) ==> [b + c, c, 0] ''' #一矩阵操作 x1=tf.constant([[1.2,-2.2],[-3,4]]) tf.abs(x1,name=None).eval()#对应元素取绝对值 tf.negative(x1,name=None).eval()#对应元素取负 tf.sign(x1,name=None).eval()#对应元素取符号 if x>0,y=1;if x==0,y=0;if x<0 ,y=-1; tf.square(x1,name=None).eval()#对应元素平方 tf.round(x1,name=None).eval()#对应元素取最近整数 x1=tf.constant([[1.,2],[3,4]]) x2=tf.constant([[2,3.],[4,5]]) tf.pow(x1,x2).eval()#对应元素x1的x2幂次方。x1,x2的元素类型必须相同 ####矩阵中元素必须为float16, float32, float64, complex64, complex128,不能是int类型 tf.sqrt(x1,name=None).eval()#对应元素取平方根, tf.exp(x1,name=None).eval()#对应元素取e的次方，float16, float32, float64, complex64, complex128,不能是int tf.log(x1).eval()#计算e的ln对数float16, float32, float64, complex64, complex128,不能是int tf.cos(x1).eval()#对应元素取cos tf.sin(x1).eval()#对应元素取sin tf.tan(x1).eval()#对应元素取tan tf.atan(x1).eval()#对应元素取ctan
约简
#约简：reduction——跨维度张量操作，计算结果比原张量缩小一个维度 #product，minimum，maximum,mean,all,any,accumulate_n sess=tf.InteractiveSession() x=tf.constant([[1.,2,3],[3,2,1],[-1,-2,-3]]) # tf.reduce_prod(x,reduction_indices=1).eval()# tf.reduce_sum(x,0).eval()#0:列求和，1行求和 tf.reduce_max(x,1).eval()#0:列最大，1行最大 tf.reduce_min(x,0).eval()#0:列最小，1行最小 tf.reduce_mean(x,0).eval()#0:列平均，1行平均，如果是int，向下取整 #逻辑运算 bool_x=[[False,True],[False,True]] tf.reduce_all(bool_x).eval()#所有元素求与 tf.reduce_all(bool_x,0).eval()#0:列求与，1：行求与 tf.reduce_any(bool_x).eval()#所有元素求或 tf.reduce_any(bool_x,0).eval()#0:列求或，1：行求或
分割
'''分割'''#重复索引相同,相同索引进行操作 c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]]) #将对应的行分为[0,2]标签，相同的行标签的元素对应求和，乘，最小值，最大值，平均值，并放入对应的行标签中 tf.segment_sum(c, tf.constant([0, 2, 2])).eval()#和 tf.segment_prod(c, tf.constant([0, 2, 2])).eval()#?? tf.segment_max(c, tf.constant([0, 2, 2])).eval()#最大值 tf.segment_min(c, tf.constant([0, 2, 2])).eval()#最小值 tf.segment_mean(c, tf.constant([0, 2, 2])).eval()#平均值 seg_ids=tf.constant([0,1,1,2,2]) tens1=tf.constant([[2,5,3,-15],[0,3,-2,5],[4,3,5,3],[6,1,4,0],[6,1,4,0]]) tens1.eval()
显示维度
#显示维度 x=tf.constant([[2,5,3,-15],[0,3,-2,5],[4,3,5,3],[6,1,4,0],[6,1,4,0]]) tf.argmin(x,1).eval()#每行中最小值中最小的索引位置 0:列，1：行 tf.arg_min(x,1).eval() tf.argmin(x,0).eval()#每列中最小值中最小的索引位置 tf.arg_min(x,0).eval() tf.argmax(x,1).eval()#每行中最大值中最小的索引位置 tf.arg_max(x,1).eval() tf.argmax(x,0).eval()#每列中最大值中最小的索引位置 tf.arg_max(x,0).eval() boolx=tf.constant([[True,False],[False,True]]) tf.where(boolx).eval()#显示True的值 listy=tf.constant([4,5,8,9]) listx=tf.constant([9,1,2,2,2,3,2,4,5,6,7,8]) tf.unique(listx)[0].eval()#统计唯一元素（类似set）array([9, 1, 2, 3, 4, 5, 6, 7, 8], dtype=int32) tf.unique(listx)[1].eval()#显示序列中相同元素的位置array([0, 1, 2, 2, 2, 3, 2, 4, 5, 6, 7, 8], dtype=int32) tf.unique_with_counts(listx)[2].eval()#显示唯一值的对应的统计量array([1, 1, 4, 1, 1, 1, 1, 1, 1], dtype=int32)
张量变换
#张量形状变换
x=tf.constant([[2,5,3,-5],[0,3,-2,5],[4,3,5,3],[6,1,4,0]])
tf.shape(x).eval()#show the shape of the tensor，，，array([4, 4], dtype=int32)
tf.size(x).eval()#size of the tensor ,元素的个数
tf.rank(x).eval()#rank of the tensor,张量的阶（几层【】括号）
tf.reshape(x,[2,4,2]).eval()#reshape
'''array([[[ 2, 5],
[ 3, -5],
[ 0, 3],
[-2, 5]],
[[ 4, 3],
[ 5, 3],
[ 6, 1],
[ 4, 0]]], dtype=int32)'''
tf.squeeze(x).eval()#去处维度为1的维度
tf.expand_dims(x,-1).eval()#增加一个维度，-1：从最内层增加一个维度，0，不变维度，1：从外层增加一个维度
切片
#切片(slicing),连接joining,，添加填充add padding,打包pack,解包unpack，拆片 x_matrix=tf.reshape(tf.constant(range(9)),[3,3]).eval() t_array=tf.constant([1,2,3,4,9,8,6,5]) t_array2=tf.constant([2,3,4,5,6,7,8,9]) #切片_matrix tf.slice(x_matrix,[1,0],[2,3]).eval()#第一个是起始点，后面是切片的大小 '''array([[3, 4, 5], [6, 7, 8]], dtype=int32) ''' y=tf.reshape(tf.constant(range(24)),[4,6]).eval() tf.split(y,num_or_size_splits=2,axis=0)[0].eval()#矩阵切片，按行axis=0切num_or_size_splits=2份，并显示第0份切片 '''array([[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11]], dtype=int32)''' #序列 tf.split(t_array,num_or_size_splits=4,axis=0)[0].eval()#，，序列切成num_or_size_splits=4片，axis=0可省略 tf.tile([1,2],[2]).eval()#[1,2]重复2次，array([1, 2, 1, 2], dtype=int32) tf.pad(x_matrix,[[1,2],[2,1]]).eval()#在对应的上1，下2，左2，右1，添充对应的0行列 '''array([[0, 0, 0, 0, 0, 0], [0, 0, 0, 1, 2, 0], [0, 0, 3, 4, 5, 0], [0, 0, 6, 7, 8, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]], dtype=int32)''' tf.concat(0,[t_array,t_array2])