[PYTHON] [TF] Informationen zur Tensorflow-API
Constant Value Tensors zeros So etwas wie Numpys Nullen Geben Sie den Tensor-Datentyp und die Form an
import tensorflow as tf
x = tf.zeros([1], dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[ 0.]
import tensorflow as tf
x = tf.zeros([10], dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
2x10 Tensor Beispiel
import tensorflow as tf
x = tf.zeros([2,10], dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
ones So etwas wie in Numpy Geben Sie den Tensor-Datentyp und die Form an
import tensorflow as tf
x = tf.ones([2,10], dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]]
fill Machen Sie einen konstanten Tensor dtype kann nicht angegeben werden
import tensorflow as tf
x = tf.fill([2,10], 9.)
with tf.Session() as sess:
print(x.eval())
[[ 9. 9. 9. 9. 9. 9. 9. 9. 9. 9.]
[ 9. 9. 9. 9. 9. 9. 9. 9. 9. 9.]]
constant Machen Sie einen konstanten Tensor
import tensorflow as tf
x = tf.constant(9,shape=[2,10],dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[[ 9. 9. 9. 9. 9. 9. 9. 9. 9. 9.]
[ 9. 9. 9. 9. 9. 9. 9. 9. 9. 9.]]
In [8]: x = tf.constant(9,shape=[2,10],dtype=tf.int32)
...: with tf.Session() as sess:
...: print(x.eval())
...:
...:
[[9 9 9 9 9 9 9 9 9 9]
[9 9 9 9 9 9 9 9 9 9]]
import tensorflow as tf
import numpy as np
x = tf.constant(np.arange(20).astype(float),shape=[2,10],dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 10. 11. 12. 13. 14. 15. 16. 17. 18. 19.]]
Random Tensors Initialisieren Sie Tensor mit einem zufälligen Wert. Wird häufig zur Gewichtsinitialisierung verwendet
random_normal Initialisieren Sie Tensor mit einem normalverteilten Zufallswert
import tensorflow as tf
x = tf.random_normal(shape=[20000],mean=0.0, stddev=1.0,dtype=tf.float32)
with tf.Session() as sess:
y = x.eval()
truncated_normal Initialisieren Sie den Tensor mit einer Normalverteilung und zufälligen Werten bis zur doppelten Standardabweichung
import tensorflow as tf
x = tf.truncated_normal(shape=[20000],mean=0.0, stddev=1.0,dtype=tf.float32)
with tf.Session() as sess:
y = x.eval()
random_uniform Initialisieren Sie den Tensor mit einem gleichmäßig verteilten Zufallswert
import tensorflow as tf
x = tf.random_uniform(shape=[20000], minval=-1.0,maxval=1.0,dtype=tf.float32)
with tf.Session() as sess:
y = x.eval()
set_random_seed Wenn Sie zufällig verwenden, geht die Reproduzierbarkeit verloren. Wenn Sie jedoch Startwert angeben, können Sie denselben Wert abrufen. Es gibt zwei Möglichkeiten, es anzugeben, entweder indem Sie es in Betrieb angeben oder indem Sie es mit set_random_seed nach Diagrammebene angeben.
import tensorflow as tf
a = tf.random_uniform([1])
print('session1')
with tf.Session() as sess:
print(a.eval())
print(a.eval())
print('session2')
with tf.Session() as sess:
print(a.eval())
print(a.eval())
session1
[ 0.85636878]
[ 0.81764412]
session2
[ 0.36246026]
[ 0.87940264]
import tensorflow as tf
a = tf.random_uniform([1],seed=1234)
print('session1')
with tf.Session() as sess:
print(a.eval())
print(a.eval())
print('session2')
with tf.Session() as sess:
print(a.eval())
print(a.eval())
session1
[ 0.84830701]
[ 0.64822805]
session2
[ 0.84830701]
[ 0.64822805]
import tensorflow as tf
tf.set_random_seed(1234)
a = tf.random_uniform([1])
b = tf.random_uniform([1])
print('session1')
with tf.Session() as sess:
print(a.eval())
print(a.eval())
print(b.eval())
print(b.eval())
print('session2')
with tf.Session() as sess:
print(a.eval())
print(a.eval())
print(b.eval())
print(b.eval())
session1
[ 0.340114]
[ 0.65625393]
[ 0.78275204]
[ 0.14843035]
session2
[ 0.340114]
[ 0.65625393]
[ 0.78275204]
[ 0.14843035]
Shapes and Shaping Shape Nehmen Sie die Größe (scharf) von Tensor heraus.
import tensorflow as tf
x = tf.constant(np.arange(60.),shape=[3,4,5],dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
[[[ 0. 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.]]]
Beim Abrufen der Größe mit get_shape () Typ ist TensorShape.
import tensorflow as tf
s = x.get_shape()
print(type(s))
print(s)
<class 'tensorflow.python.framework.tensor_shape.TensorShape'>
(3, 4, 5)
Beim Abrufen der Größe mit tf.shape () Typ ist Operation.
import tensorflow as tf
s = tf.shape(x)
print(type(s))
print(s)
<class 'tensorflow.python.framework.ops.Tensor'>
Tensor("Shape:0", shape=(3,), dtype=int32)
get_shape(), tf.shape() tf.shape () wird verwendet, wenn die Größe später durch Platzhalter usw. festgelegt wird.
x = tf.placeholder(tf.float32, shape=[None,32])
Wenn Sie beispielsweise get_shape verwenden, um einen Tensor mit der gleichen Größe wie der Platzhalter zu erstellen, tritt ein Fehler auf.
y = tf.ones(shape=x.get_shape())
Traceback (most recent call last):
File "<ipython-input-23-366d94fbb0a4>", line 1, in <module>
y = tf.ones(shape=x.get_shape())
File "/home/user/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/ops/array_ops.py", line 699, in ones
shape = ops.convert_to_tensor(shape, name="shape")
File "/home/user/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 529, in convert_to_tensor
ret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref)
File "/home/user/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/ops/constant_op.py", line 195, in _tensor_shape_tensor_conversion_function
"Cannot convert a partially known TensorShape to a Tensor: %s" % s)
ValueError: Cannot convert a partially known TensorShape to a Tensor: (?, 32)
Verwenden Sie in einem solchen Fall tf.shape.
y = tf.ones(shape=tf.shape(x))
import tensorflow as tf
x = tf.placeholder(tf.float32, shape=[None,32])
y = tf.ones(shape=tf.shape(x))
z = y + x
with tf.Session() as sess:
# sess.run(y)
b = np.arange(3*32).reshape((3,32))
print(sess.run(z, feed_dict={x:b}))
[[ 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. 80. 81. 82. 83. 84. 85. 86. 87. 88. 89. 90. 91. 92.
93. 94. 95. 96.]]
Wenn Sie einen Teil von tf.shape verwenden und ihn wie folgt in [] einschließen, wird er zu einer Liste.
print(type([tf.shape(x)[0],1]))
<class 'list'>
~~ Verwenden Sie in diesem Fall tf.pack für den Betrieb. ~~ Verwenden Sie in diesem Fall tf.stack für den Betrieb. (Pack scheint ein Stapel zu sein)
print(type(tf.stack([tf.shape(x)[0],1])))
<class 'tensorflow.python.framework.ops.Tensor'>
Slicing and Joining
- Die Reihenfolge der Argumente von concat und split hat sich geändert, daher wurde dies korrigiert.
slice Nehmen Sie einen Teil von Tensor heraus. Geben Sie die Startposition mit begin und die Größe an, die mit der Größe ausgeschnitten werden soll.
import tensorflow as tf
n = np.arange(25).reshape((1,5,5))
x = tf.concat([n, n*10, n*100],0)
with tf.Session() as sess:
print(x.eval())
[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[ 10 11 12 13 14]
[ 15 16 17 18 19]
[ 20 21 22 23 24]]
[[ 0 10 20 30 40]
[ 50 60 70 80 90]
[ 100 110 120 130 140]
[ 150 160 170 180 190]
[ 200 210 220 230 240]]
[[ 0 100 200 300 400]
[ 500 600 700 800 900]
[1000 1100 1200 1300 1400]
[1500 1600 1700 1800 1900]
[2000 2100 2200 2300 2400]]]
Im folgenden Beispiel werden vier Teile aus der Position 6 in der 0-dimensionalen Richtung, 3 in der 1-dimensionalen Richtung und 2 in der 3-dimensionalen Richtung herausgenommen.
import tensorflow as tf
y = tf.slice(x, [0,1,1], [3,2,4])
with tf.Session() as sess:
print(y.eval())
[[[ 6 7 8 9]
[ 11 12 13 14]]
[[ 60 70 80 90]
[ 110 120 130 140]]
[[ 600 700 800 900]
[1100 1200 1300 1400]]]
concat Kombinieren Sie Tensor.
import tensorflow as tf
x = tf.ones([3,4], dtype=tf.float32)
y = tf.constant(2,shape=[3,4], dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
print(y.eval())
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
[[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]]
~~ Erstes Argument ~~ Bestimmen Sie die Dimension, die mit dem zweiten Argument kombiniert werden soll. In einem zweidimensionalen Tensor ist das Ergebnis, wenn Dimension 0 ist, ein Tensor in der Reihenfolge [[xxxx], [xxxx], [yyyy], [yyyy] ...] wie z1. Wenn Dimension 1 ist, ist das Ergebnis ein Tensor in der Reihenfolge [[xxxxyyyy], [xxxxyyyy], ...] wie z2.
import tensorflow as tf
z1 = tf.concat([x, y],0)
z2 = tf.concat([x, y],1)
with tf.Session() as sess:
print('z1')
print(z1.eval())
print('z2')
print(z2.eval())
z1
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]]
z2
[[ 1. 1. 1. 1. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 2. 2. 2. 2.]]
import tensorflow as tf
x = tf.ones([3,4,5], dtype=tf.float32)
y = tf.constant(2,shape=[3,4,5], dtype=tf.float32)
with tf.Session() as sess:
print(x.eval())
print(y.eval())
[[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]]
[[[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]
[[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]
[[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]]
import tensorflow as tf
z1 = tf.concat([x, y],0)
z2 = tf.concat([x, y],1)
z3 = tf.concat([x, y],2)
with tf.Session() as sess:
print('z1')
print(z1.eval())
print('z2')
print(z2.eval())
print('z3')
print(z3.eval())
z1
[[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
[[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]
[[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]
[[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]]
z2
[[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]
[ 2. 2. 2. 2. 2.]]]
z3
[[[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]]
[[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]]
[[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]
[ 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.]]]
split Tensor in der angegebenen Bemaßungsrichtung teilen
import tensorflow as tf
n = np.arange(25).reshape((1,5,5))
x = tf.concat([n, n*10, n*100],0)
with tf.Session() as sess:
print(x.eval())
[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[ 10 11 12 13 14]
[ 15 16 17 18 19]
[ 20 21 22 23 24]]
[[ 0 10 20 30 40]
[ 50 60 70 80 90]
[ 100 110 120 130 140]
[ 150 160 170 180 190]
[ 200 210 220 230 240]]
[[ 0 100 200 300 400]
[ 500 600 700 800 900]
[1000 1100 1200 1300 1400]
[1500 1600 1700 1800 1900]
[2000 2100 2200 2300 2400]]]
Beispiel für die Aufteilung in drei in 0-dimensionaler Richtung
import tensorflow as tf
y1, y2, y3 = tf.split(x, 3, 0)
with tf.Session() as sess:
print('y1')
print(y1.eval())
print('y2')
print(y2.eval())
print('y3')
print(y3.eval())
y1
[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]]
y2
[[[ 0 10 20 30 40]
[ 50 60 70 80 90]
[100 110 120 130 140]
[150 160 170 180 190]
[200 210 220 230 240]]]
y3
[[[ 0 100 200 300 400]
[ 500 600 700 800 900]
[1000 1100 1200 1300 1400]
[1500 1600 1700 1800 1900]
[2000 2100 2200 2300 2400]]]
tile
import tensorflow as tf
x = tf.constant([[1,0],[0,1]])
with tf.Session() as sess:
print(x.eval())
[[1 0]
[0 1]]
Geben Sie die Bemaßungsrichtung an, die Sie wiederholen möchten. Das Folgende ist ein Beispiel für eine zweimalige Wiederholung in der 0-dimensionalen Richtung.
import tensorflow as tf
y = tf.tile(x, [2,1])
with tf.Session() as sess:
print(y.eval())
[[1 0]
[0 1]
[1 0]
[0 1]]
Beispiel für zweimaliges Wiederholen in eindimensionaler Richtung
import tensorflow as tf
y = tf.tile(x, [1,2])
with tf.Session() as sess:
print(y.eval())
[[1 0 1 0]
[0 1 0 1]]
Beispiel für zweimaliges Wiederholen in der 0-dimensionalen Richtung und der 1-dimensionalen Richtung
import tensorflow as tf
y = tf.tile(x, [2,2])
with tf.Session() as sess:
print(y.eval())
[[1 0 1 0]
[0 1 0 1]
[1 0 1 0]
[0 1 0 1]]
pad 0 Polsterung
import tensorflow as tf
n = np.arange(25).reshape((5,5))
x = tf.constant(n)
with tf.Session() as sess:
print(x.eval())
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]
Beispiel für die Polsterung 1 für oben, 2 für unten, 3 für links und 4 für rechts
import tensorflow as tf
y = tf.pad(x,[[1,2],[3,4]])
with tf.Session() as sess:
print(y.eval())
[[ 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 1 2 3 4 0 0 0 0]
[ 0 0 0 5 6 7 8 9 0 0 0 0]
[ 0 0 0 10 11 12 13 14 0 0 0 0]
[ 0 0 0 15 16 17 18 19 0 0 0 0]
[ 0 0 0 20 21 22 23 24 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 0 0 0 0 0]]
Ausführungsumgebung Anaconda 4.4.0 python 3.5.3 tensorflow 1.3.0