这是目前最后一篇关于 TF 的了，话说终于到这篇了……

0x00.前言

0x01.引用

1.0 TensorFlow相关函数理解

1.1 tf.truncated_normal

1
2
3
4
5
6
7
8
truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)

功能说明：
产生截断正态分布随机数，取值范围为[mean - 2 * stddev, mean + 2 * stddev]
参数列表：

参数名必选类型说明
shape是1 维整形张量或array输出张量的维度
mean否0 维张量或数值均值
stddev否0 维张量或数值标准差
dtype否dtype输出类型
seed否数值随机种子，若seed赋值，每次产生相同随机数
name否string运算名称

现在您可以在/home/ubuntu目录下创建源文件truncated_normal.py：

1
2
3
4
5
#!/usr/bin/python

import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print tf.Session().run(initial)

然后执行:
python /home/ubuntu/truncated_normal.py
执行结果：
将得到一个取值范围[-2, 2]的3 * 3矩阵

1.2 tf.constant

1
2
3
4
5
6
7
constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

功能说明：
根据value的值生成一个shape维度的常量张量
参数列表：

参数名必选类型说明
value是常量数值或者list输出张量的值
dtype否dtype输出张量元素类型
shape否1 维整形张量或array输出张量的维度
name否string张量名称
verify_shape否Boolean检测shape是否和value的shape一致，若为False，不一致时，会用最后一个元素将shape补全

现在您可以在/home/ubuntu目录下创建源文件constant.py，内容可参考：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
#!/usr/bin/python

import tensorflow as tf
import numpy as np
a = tf.constant([1,2,3,4,5,6],shape=[2,3])
b = tf.constant(-1,shape=[3,2])
c = tf.matmul(a,b)

e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
g = tf.matmul(e,f)
with tf.Session() as sess:
    print sess.run(a)
    print ("##################################")
    print sess.run(b)
    print ("##################################")
    print sess.run(c)
    print ("##################################")
    print sess.run(e)
    print ("##################################")
    print sess.run(f)
    print ("##################################")
    print sess.run(g)

然后执行:
python /home/ubuntu/constant.py
执行结果：

1
2
3
4
5
6
a: 2x3 维张量；
b: 3x2 维张量；
c: 2x2 维张量；
e: 2x2x3 维张量；
f: 2x3x2 维张量；
g: 2x2x2 维张量。

1.3 tf.placeholder

1
2
3
4
5
placeholder(
    dtype,
    shape=None,
    name=None
)

功能说明：
是一种占位符，在执行时候需要为其提供数据
参数列表：

参数名必选类型说明
dtype是dtype占位符数据类型
shape否1 维整形张量或array占位符维度
name否string占位符名称

现在您可以在/home/ubuntu目录下创建源文件placeholder.py，内容可参考：

1
2
3
4
5
6
7
8
9
10
#!/usr/bin/python

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32,[None,10])
y = tf.matmul(x,x)
with tf.Session() as sess:
    rand_array = np.random.rand(10,10)
    print sess.run(y,feed_dict={x:rand_array})

然后执行:
python /home/ubuntu/placeholder.py
执行结果：
输出一个10x10维的张量

1.4 tf.nn.bias_add

1
2
3
4
5
6
bias_add(
    value,
    bias,
    data_format=None,
    name=None
)

功能说明：
将偏差项bias加到value上面，可以看做是tf.add的一个特例，其中bias必须是一维的，并且维度和value的最后一维相同，数据类型必须和value相同
参数列表：

参数名必选类型说明
value是张量数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128
bias是1 维张量维度必须和value最后一维维度相等
data_format否string数据格式，支持NHWC和NCHW
name否string运算名称

现在您可以在/home/ubuntu目录下创建源文件bias_add.py，内容可参考：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
#!/usr/bin/python

import tensorflow as tf
import numpy as np

a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
b = tf.constant([2.0,1.0])
c = tf.constant([1.0])
sess = tf.Session()
print sess.run(tf.nn.bias_add(a, b)) 
#print sess.run(tf.nn.bias_add(a,c)) error
print ("##################################")
print sess.run(tf.add(a, b))
print ("##################################")
print sess.run(tf.add(a, c))

然后执行:
python /home/ubuntu/bias_add.py
执行结果：
3个3x2维张量

1.5 tf.reduce_mean

1
2
3
4
5
6
7
reduce_mean(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

功能说明：
计算张量input_tensor平均值
参数列表：

参数名必选类型说明
input_tensor是张量输入待求平均值的张量
axis否None、0、1None：全局求平均值；0：求每一列平均值；1：求每一行平均值
keep_dims否Boolean保留原来的维度，降为1
name否string运算名称
reduction_indices否None和axis等价，被弃用

现在您可以在/home/ubuntu目录下创建源文件reduce_mean.py，内容可参考：

1
2
3
4
5
6
7
8
9
10
11
12
13
#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial = [[1.,1.],[2.,2.]]
x = tf.Variable(initial,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print sess.run(tf.reduce_mean(x))
    print sess.run(tf.reduce_mean(x,0)) #Column
    print sess.run(tf.reduce_mean(x,1)) #row

然后执行:
python /home/ubuntu/reduce_mean.py
执行结果：

1
2
3
1.5
[ 1.5  1.5]
[ 1.  2.]

1.6 tf.squared_difference

1
2
3
4
5
squared_difference(
    x,
    y,
    name=None
)

功能说明：
计算张量x、y对应元素差平方
参数列表：

参数名必选类型说明
x是张量是half, float32, float64, int32, int64, complex64, complex128其中一种类型
y是张量是half, float32, float64, int32, int64, complex64, complex128其中一种类型
name否string运算名称

现在您可以在/home/ubuntu目录下创建源文件squared_difference.py，内容可参考：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
initial_y = [[3.,3.],[4.,4.]]
y = tf.Variable(initial_y,dtype=tf.float32)
diff = tf.squared_difference(x,y)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print sess.run(diff)

然后执行:
python /home/ubuntu/squared_difference.py
执行结果：

1
2
[[ 4.  4.]
 [ 4.  4.]]

1.7 tf.square

1
2
3
4
square(
    x,
    name=None
)

功能说明：
计算张量对应元素平方
参数列表：

参数名必选类型说明
x是张量是half, float32, float64, int32, int64, complex64, complex128其中一种类型
name否string运算名称

现在您可以在/home/ubuntu目录下创建源文件square.py，内容可参考：

1
2
3
4
5
6
7
8
9
10
11
#!/usr/bin/python
import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
x2 = tf.square(x)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print sess.run(x2)

然后执行:
python /home/ubuntu/square.py
执行结果：

1
2
[[ 1.  1.]
 [ 4.  4.]]

2.0 TensorFlow相关类理解

2.1 tf.Variable

1
2
3
4
5
6
7
8
9
10
11
12
__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None
)

功能说明：
维护图在执行过程中的状态信息，例如神经网络权重值的变化
参数列表：

参数名类型说明
initial_value张量Variable类的初始值，这个变量必须指定shape信息，否则后面validate_shape需设为False
trainableBoolean是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取）
collectionsGraph collections全局存储，默认是GraphKeys.GLOBAL_VARIABLES
validate_shapeBoolean是否允许被未知维度的initial_value初始化
caching_devicestring指明哪个device用来缓存变量
namestring变量名
dtypedtype如果被设置，初始化的值就会按照这个类型初始化
expected_shapeTensorShape要是设置了，那么初始的值会是这种维度

现在您可以在/home/ubuntu目录下创建源文件Variable.py，内容可参考：

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
#!/usr/bin/python

import tensorflow as tf
initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
W=tf.Variable(initial)
list = [[1.,1.],[2.,2.]]
X = tf.Variable(list,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print ("##################(1)################")
    print sess.run(W)
    print ("##################(2)################")
    print sess.run(W[:2,:2])
    op = W[:2,:2].assign(22.*tf.ones((2,2)))
    print ("###################(3)###############")
    print sess.run(op)
    print ("###################(4)###############")
    print (W.eval(sess)) #computes and returns the value of this variable
    print ("####################(5)##############")
    print (W.eval())  #Usage with the default session
    print ("#####################(6)#############")
    print W.dtype
    print sess.run(W.initial_value)
    print sess.run(W.op)
    print W.shape
    print ("###################(7)###############")
    print sess.run(X)

然后执行:
python /home/ubuntu/Variable.py

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
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
ubuntu@VM-45-55-ubuntu:~$ python /home/ubuntu/Variable.py
##################(1)################
[[-0.05158469  0.42488426 -1.06051874  0.05041981 -0.59257025  0.75912011
   0.13238901  1.4264127   0.3660301  -0.34660342]
 [-0.58076793 -0.34156471  1.80603182 -0.63527924 -1.37761962  0.23985045
  -0.9572925   0.5855329  -1.52534127  0.66485882]
 [ 0.95287526 -0.52085191 -0.6662432   0.92799437 -0.14051931  0.77191192
  -0.40517998  1.15190434 -0.67737275 -0.49324712]
 [ 0.13710392 -0.26966634 -0.31862086  0.62378079  0.99250805  1.79186082
   0.24381292 -0.65113115 -0.31242973  0.96655703]
 [ 1.51818967  1.4847064  -1.04498291 -1.19972205  1.12664723  0.45897952
   1.30146337 -0.07071129  1.28198421 -0.07462779]
 [ 0.06365386 -1.37174654 -0.45393857  0.44872424  0.30701965 -0.33525467
   1.23019528  0.2688064  -0.77721894  1.15218246]
 [ 0.5284161  -0.57362115 -1.31496811  0.557841    1.38116109  1.11097515
   1.79387271  1.03924    -0.43662316  1.2135427 ]
 [ 0.12842607  0.55358696  0.50601929  0.15238616  0.30852544 -0.07885797
  -0.18290153 -0.65053511  0.06731477 -1.81053722]
 [ 0.0353244  -0.61836213 -0.02346812  0.73654675  1.96743298 -1.1408062
   1.58433104 -0.50077403 -1.70408487 -0.78402525]
 [-0.3279908   0.34578505 -0.4665527   0.71424776  0.48050362 -0.6924966
   0.05213421 -0.02890863  1.6275624  -1.1187917 ]]
##################(2)################
[[-0.05158469  0.42488426]
 [-0.58076793 -0.34156471]]
###################(3)###############
[[ 22.          22.          -1.06051874   0.05041981  -0.59257025
    0.75912011   0.13238901   1.4264127    0.3660301   -0.34660342]
 [ 22.          22.           1.80603182  -0.63527924  -1.37761962
    0.23985045  -0.9572925    0.5855329   -1.52534127   0.66485882]
 [  0.95287526  -0.52085191  -0.6662432    0.92799437  -0.14051931
    0.77191192  -0.40517998   1.15190434  -0.67737275  -0.49324712]
 [  0.13710392  -0.26966634  -0.31862086   0.62378079   0.99250805
    1.79186082   0.24381292  -0.65113115  -0.31242973   0.96655703]
 [  1.51818967   1.4847064   -1.04498291  -1.19972205   1.12664723
    0.45897952   1.30146337  -0.07071129   1.28198421  -0.07462779]
 [  0.06365386  -1.37174654  -0.45393857   0.44872424   0.30701965
   -0.33525467   1.23019528   0.2688064   -0.77721894   1.15218246]
 [  0.5284161   -0.57362115  -1.31496811   0.557841     1.38116109
    1.11097515   1.79387271   1.03924     -0.43662316   1.2135427 ]
 [  0.12842607   0.55358696   0.50601929   0.15238616   0.30852544
   -0.07885797  -0.18290153  -0.65053511   0.06731477  -1.81053722]
 [  0.0353244   -0.61836213  -0.02346812   0.73654675   1.96743298
   -1.1408062    1.58433104  -0.50077403  -1.70408487  -0.78402525]
 [ -0.3279908    0.34578505  -0.4665527    0.71424776   0.48050362
   -0.6924966    0.05213421  -0.02890863   1.6275624   -1.1187917 ]]
###################(4)###############
[[ 22.          22.          -1.06051874   0.05041981  -0.59257025
    0.75912011   0.13238901   1.4264127    0.3660301   -0.34660342]
 [ 22.          22.           1.80603182  -0.63527924  -1.37761962
    0.23985045  -0.9572925    0.5855329   -1.52534127   0.66485882]
 [  0.95287526  -0.52085191  -0.6662432    0.92799437  -0.14051931
    0.77191192  -0.40517998   1.15190434  -0.67737275  -0.49324712]
 [  0.13710392  -0.26966634  -0.31862086   0.62378079   0.99250805
    1.79186082   0.24381292  -0.65113115  -0.31242973   0.96655703]
 [  1.51818967   1.4847064   -1.04498291  -1.19972205   1.12664723
    0.45897952   1.30146337  -0.07071129   1.28198421  -0.07462779]
 [  0.06365386  -1.37174654  -0.45393857   0.44872424   0.30701965
   -0.33525467   1.23019528   0.2688064   -0.77721894   1.15218246]
 [  0.5284161   -0.57362115  -1.31496811   0.557841     1.38116109
    1.11097515   1.79387271   1.03924     -0.43662316   1.2135427 ]
 [  0.12842607   0.55358696   0.50601929   0.15238616   0.30852544
   -0.07885797  -0.18290153  -0.65053511   0.06731477  -1.81053722]
 [  0.0353244   -0.61836213  -0.02346812   0.73654675   1.96743298
   -1.1408062    1.58433104  -0.50077403  -1.70408487  -0.78402525]
 [ -0.3279908    0.34578505  -0.4665527    0.71424776   0.48050362
   -0.6924966    0.05213421  -0.02890863   1.6275624   -1.1187917 ]]
####################(5)##############
[[ 22.          22.          -1.06051874   0.05041981  -0.59257025
    0.75912011   0.13238901   1.4264127    0.3660301   -0.34660342]
 [ 22.          22.           1.80603182  -0.63527924  -1.37761962
    0.23985045  -0.9572925    0.5855329   -1.52534127   0.66485882]
 [  0.95287526  -0.52085191  -0.6662432    0.92799437  -0.14051931
    0.77191192  -0.40517998   1.15190434  -0.67737275  -0.49324712]
 [  0.13710392  -0.26966634  -0.31862086   0.62378079   0.99250805
    1.79186082   0.24381292  -0.65113115  -0.31242973   0.96655703]
 [  1.51818967   1.4847064   -1.04498291  -1.19972205   1.12664723
    0.45897952   1.30146337  -0.07071129   1.28198421  -0.07462779]
 [  0.06365386  -1.37174654  -0.45393857   0.44872424   0.30701965
   -0.33525467   1.23019528   0.2688064   -0.77721894   1.15218246]
 [  0.5284161   -0.57362115  -1.31496811   0.557841     1.38116109
    1.11097515   1.79387271   1.03924     -0.43662316   1.2135427 ]
 [  0.12842607   0.55358696   0.50601929   0.15238616   0.30852544
   -0.07885797  -0.18290153  -0.65053511   0.06731477  -1.81053722]
 [  0.0353244   -0.61836213  -0.02346812   0.73654675   1.96743298
   -1.1408062    1.58433104  -0.50077403  -1.70408487  -0.78402525]
 [ -0.3279908    0.34578505  -0.4665527    0.71424776   0.48050362
   -0.6924966    0.05213421  -0.02890863   1.6275624   -1.1187917 ]]
#####################(6)#############
<dtype: 'float32_ref'>
[[ 0.35549659 -0.92845166  0.7202518  -1.08173835 -0.56052214 -1.79995739
  -1.23022497  1.78744531  0.26768067  1.44654143]
 [ 1.00125992  0.88891822 -0.83442372 -0.51755071  0.93480241 -0.62580359
  -0.42888054  0.60265911  0.23383677  0.25027233]
 [ 0.62767732  1.49130106  0.11455932  0.8136881   0.1653619  -0.03023815
  -0.81600904  0.21061133  0.77372617 -1.05311072]
 [ 0.37356022  0.80606896 -0.77602631  1.7510792   1.17032671 -1.59365809
   0.81380212 -0.80985826 -0.5826512  -0.68983918]
 [ 1.5539794  -0.82919389 -0.37634259 -0.04195082  0.00483348 -1.6610924
   1.61947238  0.44739676  0.96909785  0.30437273]
 [-1.67946744  0.13453422  1.16949022 -1.07361639  0.16278958  0.48993936
   0.79800332 -0.59556031  1.02015698  0.61534965]
 [ 1.91761112  0.57116741 -1.32458746 -0.83711451 -0.23092926  0.09989663
  -0.13043015  0.39024881 -0.39114812 -1.34013951]
 [ 0.42324749  1.76086545 -1.64871371 -0.25146225  0.56552815 -0.22099398
   0.3763651  -0.26513788  0.09395658 -0.51482815]
 [-1.58338928  0.34144643 -0.60781646 -0.3217389  -0.36381459 -0.09845187
  -0.86982977  0.56992447  0.35818082 -1.13524997]
 [-1.17181849  0.15299995 -0.94315332  0.3065263  -0.33332458  1.59554768
   0.27707765  0.4924351   1.13253677 -0.55417466]]
None
(10, 10)
###################(7)###############
[[ 1.  1.]
 [ 2.  2.]]

0x02.后记

emmm……刚开始感觉好慢，到后来猝不及防就没了……

未完待续……