tensorflow 函數(shù)

一,tensorflow中有一類在tensor的某一維度上求值的函數(shù)蜜徽。如:
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
參數(shù)1--input_tensor:待求值的tensor票摇。
參數(shù)2--reduction_indices:在哪一維上求解。
參數(shù)(3)(4)可忽略
舉例說明:

'x' is [[1., 2.]

[3., 4.]]

x是一個2維數(shù)組盆色,分別調(diào)用reduce_*函數(shù)如下:
首先求平均值:
tf.reduce_mean(x) ==> 2.5 #如果不指定第二個參數(shù)祟剔,那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二個參數(shù)為0,則第一維的元素取平均值宣旱,即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5, 3.5] #指定第二個參數(shù)為1叛薯,則第二維的元素取平均值,即每一行求平均值

同理耗溜,還可用tf.reduce_max()求最大值等。

二燎字。 tf.square(x) 對x內(nèi)所有的元素進行平方操作

三。tf.global_variables
tf.global_variables或者tf.all_variables都是獲取程序中的變量轩触,不同的版本是不同的,目前的tensorflow版本應該用前面的那個伐弹,返回的值是變量的一個列表

例如:

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

v = tf.Variable(tf.constant(0.0, shape=[1], dtype=tf.float32), name='v')
v1 = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='v1')

variables = tf.global_variables()

print variables[0].name
print variables[1].name

輸出:

v:0
v1:0

四榨为。 tf.train.Saver函數(shù)的用法之保存全部變量和模型
用于保存模型,以后再用就可以直接導入模型進行計算矩乐,方便。
例如:

[python] view plain copy

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

v1 = tf.Variable(tf.constant(1, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2, shape=[1]), name='v2')

result = v1 + v2

init = tf.initialize_all_variables()

saver = tf.train.Saver()

with tf.Session() as sess:
sess.run(init)
saver.save(sess, "/home/penglu/Desktop/lp/model.ckpt")
# saver.restore(sess, "/home/penglu/Desktop/lp/model.ckpt")
# print sess.run(result)

結果:

下次需要使用模型就可以用下面的代碼:

[python] view plain copy

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

v1 = tf.Variable(tf.constant(1, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2, shape=[1]), name='v2')

result = v1 + v2

init = tf.initialize_all_variables()

saver = tf.train.Saver()

with tf.Session() as sess:
saver.restore(sess, "/home/penglu/Desktop/lp/model.ckpt")
print sess.run(result)

[python] view plain copy

[python] view plain copy

或者這個代碼:

[python] view plain copy

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

[python] view plain copy

saver = tf.train.import_meta_graph('/home/penglu/Desktop/lp/model.ckpt.meta')
with tf.Session() as sess:
<span style="white-space:pre"> </span>saver.restore(sess, "/home/penglu/Desktop/lp/model.ckpt")
<span style="white-space:pre"> </span>print sess.run(tf.get_default_graph().get_tensor_by_name('add:0'))

[python] view plain copy

輸出:

三。np.expand_dims()加維

四职抡。np.mean(data)求data的平均數(shù) np.std(data)計算標準差 np.median(data)計算中位數(shù)

最后編輯于
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末误甚,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子窑邦,更是在濱河造成了極大的恐慌,老刑警劉巖裕寨,帶你破解...
    沈念sama閱讀 216,372評論 6 498
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件派继,死亡現(xiàn)場離奇詭異,居然都是意外死亡庆猫,警方通過查閱死者的電腦和手機绅络,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,368評論 3 392
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來杉畜,“玉大人,你說我怎么就攤上這事此叠。” “怎么了猬错?”我有些...
    開封第一講書人閱讀 162,415評論 0 353
  • 文/不壞的土叔 我叫張陵茸歧,是天一觀的道長。 經(jīng)常有香客問我逢唤,道長涤浇,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,157評論 1 292
  • 正文 為了忘掉前任,我火速辦了婚禮盖彭,結果婚禮上,老公的妹妹穿的比我還像新娘铺呵。我一直安慰自己隧熙,他們只是感情好,可當我...
    茶點故事閱讀 67,171評論 6 388
  • 文/花漫 我一把揭開白布音念。 她就那樣靜靜地躺著躏敢,像睡著了一般。 火紅的嫁衣襯著肌膚如雪件余。 梳的紋絲不亂的頭發(fā)上遭居,一...
    開封第一講書人閱讀 51,125評論 1 297
  • 那天旬渠,我揣著相機與錄音,去河邊找鬼枪蘑。 笑死芋齿,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的觅捆。 我是一名探鬼主播,決...
    沈念sama閱讀 40,028評論 3 417
  • 文/蒼蘭香墨 我猛地睜開眼掂摔,長吁一口氣:“原來是場噩夢啊……” “哼赢赊!你這毒婦竟也來了?” 一聲冷哼從身側響起叭披,我...
    開封第一講書人閱讀 38,887評論 0 274
  • 序言:老撾萬榮一對情侶失蹤玩讳,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后熏纯,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,310評論 1 310
  • 正文 獨居荒郊野嶺守林人離奇死亡误窖,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,533評論 2 332
  • 正文 我和宋清朗相戀三年霹俺,在試婚紗的時候發(fā)現(xiàn)自己被綠了毒费。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 39,690評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡蝗罗,死狀恐怖蝌戒,靈堂內(nèi)的尸體忽然破棺而出沼琉,到底是詐尸還是另有隱情,我是刑警寧澤友鼻,帶...
    沈念sama閱讀 35,411評論 5 343
  • 正文 年R本政府宣布彩扔,位于F島的核電站僻爽,受9級特大地震影響,放射性物質發(fā)生泄漏胸梆。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 41,004評論 3 325
  • 文/蒙蒙 一兢卵、第九天 我趴在偏房一處隱蔽的房頂上張望绪颖。 院中可真熱鬧,春花似錦柠横、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,659評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽糜俗。三九已至曲饱,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間楔敌,已是汗流浹背驻谆。 一陣腳步聲響...
    開封第一講書人閱讀 32,812評論 1 268
  • 我被黑心中介騙來泰國打工庆聘, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留勺卢,地道東北人。 一個月前我還...
    沈念sama閱讀 47,693評論 2 368
  • 正文 我出身青樓宴抚,卻偏偏與公主長得像,于是被迫代替她去往敵國和親菇曲。 傳聞我的和親對象是個殘疾皇子抚吠,可洞房花燭夜當晚...
    茶點故事閱讀 44,577評論 2 353

推薦閱讀更多精彩內(nèi)容