一、arthmetic 算术操作（+，-，*，/，Mod）
（1）tensor-tensor操作(element-wise)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
#两个tensor 运算
#运算规则：element-wise。即c[i,j,..,k]=a[i,j,..,k] op b[i,j,..,k]
ts1=tf.constant(1.0,shape=[2,2])
ts2=tf.Variable(tf.random_normal([2,2]))
sess.run(tf.global_variables_initializer())
#以ts1和ts2为例：
#（1）加法+
ts_add1=tf.add(ts1,ts2,name=None)
ts_add2=ts1+ts2 #二者等价
#（2）减法-
ts_sub1=tf.subtract(ts1,ts2,name=None)
ts_sub2=ts1-ts2 #二者等价
#（3）乘法*
ts_mul1=tf.multiply(ts1,ts2,name=None)
ts_mul2=ts1*ts2
#（4）除法/
ts_div1=tf.divide(ts1,ts2,name=None)
ts_div2=tf.div(ts1,ts2,name=None) #div 支持 broadcasting(即shape可不同)
ts_div3=ts1/ts2
#另外还有truediv(x,y) x,y类型必须一致,floor_div等。
#（5）取模Mod(估计基本用不到)
|
（2）tensor-scalar操作
|
1
2
3
4
5
6
7
8
9
10
|
#scalar-tensor操作。
#对tensor中所有element执行同样的操作(+，-，*，/)
#加法
ts_add=ts1+2
#减法
ts_sub=ts1-2
#乘法
ts_mul=ts1*2
#除法
ts_div=ts1/2
|
二、基本数学函数
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
#以下x,y均代表tensor
tf.add_n(inputs, name=None) #inputs:tensor数组，所有tensor相加
tf.abs(x, name=None) #绝对值
tf.negative(x, name=None) #取反
tf.sign(x, name=None) #取符号(y = sign(x) = -1 if x < 0; 0 if x == 0; 1 if x > 0.)
tf.square(x, name=None) #y=x*x
tf.round(x, name=None) #Rounds the values of a tensor to the nearest integer, element-wise.
tf.sqrt(x, name=None) #sqrt
tf.pow(x, y, name=None) #x,y均为tensor，element-wise求pow
tf.exp(x, name=None) #y=e^x
tf.log(x, name=None) #y=log(x)
tf.ceil(x, name=None) #ceil
tf.floor(x, name=None) #floor
tf.maximum(x, y, name=None) #z=max(x,y)
tf.minimum(x, y, name=None)
tf.cos(x, name=None) #三角函数,sin,cos,tan,acos,asin,atan
tf.sin(x, name=None)
tf.tan(x, name=None)
tf.acos(x, name=None)
tf.asin(x, name=None)
tf.atan(x, name=None)
#...
#等等一些函数。
|
三、Matrix矩阵操作
|
1
2
3
4
5
6
7
8
9
|
tf.diag(diagonal, name=None) #得到以diagonal为对角的tensor
tf.diag_part(input, name=None) #tf.diag 逆操作,得到input的对角矩阵
tf.transpose(a, perm=None,name=None) #转置矩阵,y[i,j]=x[j,i]
#矩阵乘法
tf.matmul(a, b,
transpose_a=False, transpose_b=False, #
adjoint_a=False, adjoint_b=False, #共轭
a_is_sparse=False, b_is_sparse=False, #矩阵是否稀疏
name=None)
|
四、Reduction 归约操作
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
#（1）tf.reduce_sum
#当keep_dims=False。rank of tensor会降维度。
tf.reduce_sum(input_tensor,
axis=None, #要归约的dimention。值为None或一个数字或者数组。如0,1,[0,3,4]
keep_dims=False, #if true, retains reduced dimensions with length 1.
name=None,
reduction_indices=None)
#（2）tf.reduce_min / tf.reduce_max / tf.reduce_mean
#参数与tf.reduce_sum一致。
#tf.reduce_min : 被归约的数取最小值；
#tf.reduce_max : 被归约的数取最大值；
#tf.reduce_mean: 被归约的数取平均值。
#（3）逻辑操作
# tf.reduce_all：logical and operation
# tf.reduce_any: logical or operation
#（4）自定义操作函数
tf.einsum(equation, *inputs)
#例子：
tf.einsum('ij,jk->ik', ts1,ts2) #矩阵乘法
tf.einsum('ij->ji',ts1) #矩阵转置
|
五、tensor大小 比较
|
1
2
3
4
5
6
7
8
9
10
11
|
#(1)相等equal (element-wise)
tf.equal(x, y, name=None) #Returns the truth value of (x == y) element-wise.
#(2)不等not_equal
tf.not_equal(x, y, name=None)
#(3)其他比较
tf.less(x, y, name=None)
tf.less_equal(x, y, name=None)
tf.greater(x, y, name=None)
tf.greater_equal(x, y, name=None)
|
六、恒等映射
#恒等映射
tf.identity(input, name=None) #Return a tensor with the same shape and contents as the input tensor or value.
七、类型转化
|
1
2
3
4
5
6
|
tf.cast(x, dtype, name=None)
#Casts a tensor to a new type.
#For example:
# tensor `a` is [1.8, 2.2], dtype=tf.float
#tf.cast(a, tf.int32) ==> [1, 2] dtype=tf.int32
|
八、例子
（1）RELU实现
|
1
2
3
4
5
6
7
8
9
10
11
12
|
import tensorflow as tf
def relu(x): #要构造一个和x shape一样的Tensor。源码中应该不会用效率这么低的写法。
y=tf.constant(0.0,shape=x.get_shape())
return tf.where(tf.greater(x,y),x,y)
sess=tf.Session()
x=tf.Variable(tf.random_normal(shape=[10],stddev=10))
sess.run(tf.global_variables_initializer())
x_relu=relu(x)
data_x,data_x_relu=sess.run((x,x_relu))
for i in range(0,len(data_x)):
print("%.5f --relu--> %.5f" %(data_x[i],data_x_relu[i]))
|
补充知识：tensorflow 复合逻辑‘且'和‘或'的实现
我就废话不多说了，大家还是直接看代码吧~
|
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
|
import tensorflow as tf
n1 = tf.constant(2)
n2 = tf.constant(3)
n3 = tf.constant(4)
n4 = tf.constant(5)
def true_fn1():
return tf.constant(11)
def false_fn1():
return tf.constant(22)
def true_fn():
return tf.cond(n3<n4,true_fn1,false_fn1)
def false_fn():
return tf.constant(33)
r = tf.cond(n1<n2,true_fn,false_fn)
sess = tf.Session()
print(sess.run(r))
|
print结果11
相当于实现了if n1<n2 and n3<n4:
后来发现，用 & 和 | 就行了
|
1
2
3
4
5
6
7
8
9
10
11
12
|
import tensorflow as tf
n1 = tf.constant(True,tf.bool)
n2 = tf.constant(False,tf.bool)
r1 = n1 | n2
r2 = n1 & n2
sess = tf.Session()
print(sess.run(r1))
print(sess.run(r2))
|
|
1
2
3
4
5
6
7
8
9
10
11
12
|
import tensorflow as tf
n1 = tf.constant(1)>tf.constant(0)
n2 = tf.constant(1)<tf.constant(0)
r1 = n1 | n2
r2 = n1 & n2
sess = tf.Session()
print(sess.run(r1))
print(sess.run(r2))
|
以上这篇Tensorflow tensor 数学运算和逻辑运算方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/vcvycy/article/details/78489378