Tensorflow tensor 數(shù)學運算和邏輯運算方式
更新時間：2020年06月30日 10:38:27 作者：vcvycy
這篇文章主要介紹了Tensorflow tensor 數(shù)學運算和邏輯運算方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
一、arthmetic 算術(shù)操作（+，-，*，/，Mod）
（1）tensor-tensor操作(element-wise)
#兩個tensor 運算 #運算規(guī)則：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為例： #（1）加法+ ts_add1=tf.add(ts1,ts2,name=None) ts_add2=ts1+ts2 #二者等價 #（2）減法- ts_sub1=tf.subtract(ts1,ts2,name=None) ts_sub2=ts1-ts2 #二者等價 #（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 #另外還有truediv(x,y) x,y類型必須一致,floor_div等。 #（5）取模Mod(估計基本用不到)
（2）tensor-scalar操作
#scalar-tensor操作。 #對tensor中所有element執(zhí)行同樣的操作(+，-，*，/) #加法 ts_add=ts1+2 #減法 ts_sub=ts1-2 #乘法 ts_mul=ts1*2 #除法 ts_div=ts1/2
二、基本數(shù)學函數(shù)
#以下x,y均代表tensor tf.add_n(inputs, name=None) #inputs:tensor數(shù)組，所有tensor相加 tf.abs(x, name=None) #絕對值 tf.negative(x, name=None) #取反 tf.sign(x, name=None) #取符號(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均為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) #三角函數(shù),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) #... #等等一些函數(shù)。
三、Matrix矩陣操作
tf.diag(diagonal, name=None) #得到以diagonal為對角的tensor tf.diag_part(input, name=None) #tf.diag 逆操作,得到input的對角矩陣 tf.transpose(a, perm=None,name=None) #轉(zhuǎn)置矩陣,y[i,j]=x[j,i] #矩陣乘法 tf.matmul(a, b, transpose_a=False, transpose_b=False, # adjoint_a=False, adjoint_b=False, #共軛 a_is_sparse=False, b_is_sparse=False, #矩陣是否稀疏 name=None)
四、Reduction 歸約操作
#（1）tf.reduce_sum
#當keep_dims=False。rank of tensor會降維度。
tf.reduce_sum(input_tensor,
axis=None, #要歸約的dimention。值為None或一個數(shù)字或者數(shù)組。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
#參數(shù)與tf.reduce_sum一致。
#tf.reduce_min : 被歸約的數(shù)取最小值；
#tf.reduce_max : 被歸約的數(shù)取最大值；
#tf.reduce_mean: 被歸約的數(shù)取平均值。
#（3）邏輯操作
# tf.reduce_all：logical and operation
# tf.reduce_any: logical or operation
#（4）自定義操作函數(shù)
tf.einsum(equation, *inputs)
#例子：
tf.einsum('ij,jk->ik', ts1,ts2) #矩陣乘法
tf.einsum('ij->ji',ts1) #矩陣轉(zhuǎn)置
五、tensor大小 比較
#(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)其他比較 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、類型轉(zhuǎn)化
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實現(xiàn)
import tensorflow as tf
def relu(x): #要構(gòu)造一個和x shape一樣的Tensor。源碼中應該不會用效率這么低的寫法。
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]))
補充知識：tensorflow 復合邏輯‘且'和‘或'的實現(xiàn)
我就廢話不多說了，大家還是直接看代碼吧~
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結(jié)果11
相當于實現(xiàn)了if n1<n2 and n3<n4:
后來發(fā)現(xiàn)，用 & 和 | 就行了
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))
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))
以上這篇Tensorflow tensor 數(shù)學運算和邏輯運算方式就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
關于Python可視化Dash工具之plotly基本圖形示例詳解
這篇文章主要介紹了關于Python可視化Dash工具之plotly基本圖形示例詳解,需要的朋友可以參考下2021-03-03
在Python開發(fā)中,尤其是進行網(wǎng)絡請求和Web開發(fā)時,HTTP 405錯誤（Method Not Allowed）是一個常見的問題,本文將為大家分析一下405錯誤的原因以及解決方法,希望對大家有所幫助2024-11-11
python?flask項目打包成docker鏡像發(fā)布的過程
這篇文章主要介紹了python?flask項目打包成docker鏡像發(fā)布,本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-03-03
Python 矩陣轉(zhuǎn)置的幾種方法小結(jié)
今天小編就為大家分享一篇Python 矩陣轉(zhuǎn)置的幾種方法小結(jié)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要為大家詳細介紹了python實現(xiàn)單機五子棋對戰(zhàn)游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-04-04
這篇文章主要介紹了Python自動掃雷實現(xiàn)方法,提供了Python實現(xiàn)自動掃雷的代碼思路并備有注釋說明,具有一定參考借鑒價值,需要的朋友可以參考下2015-07-07
python調(diào)用subprocess模塊實現(xiàn)命令行操作控制SVN的方法
這篇文章主要介紹了使用python的subprocess模塊實現(xiàn)對SVN的相關操作，通過設置GitSvn類，在該類下自定義執(zhí)行SVN常規(guī)操作的方法，需要的朋友跟隨小編一起看看吧2022-09-09
本篇文章主要介紹了django靜態(tài)文件加載的方法，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-05-05
這篇文章主要介紹了Python新版極驗驗證碼識別驗證碼，極驗驗證是一種在計算機領域用于區(qū)分自然人和機器人的，通過簡單集成的方式，為開發(fā)者提供安全、便捷的云端驗證服務2023-02-02
GUI是圖形用戶界面的縮寫,圖形化的用戶界面對使用過計算機的人來說應該都不陌生,下面這篇文章主要給大家介紹了關于Python圖形用戶界面與游戲開發(fā)的相關資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2022-09-09