tensorflow+numpy 深度學習相關函式（持續更新）
阿新 • • 發佈：2020-12-24
技術標籤：Deep learning
tensorflow運演算法則
import tensorflow as tf
tf.add(a,b) #加法
tf.subtract(a,b) #減法
tf.multiply(x,y) #乘法
tf.div(x,y) #整除
tf.truediv(x,y) #浮點數除法
tf.mod(x,y) #取餘tf.reduce_mean()
tf.reduce_mean 函式用於計算張量tensor沿著指定的數軸（tensor的某一維度）上的的平均值，主要用作降維或者計算tensor（影象）的平均值。
介面為：
reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)- 第一個引數input_tensor： 輸入的待降維的tensor;
- 第二個引數axis： 指定的軸，如果不指定，則計算所有元素的均值;
- 第三個引數keep_dims：是否降維度，設定為True，輸出的結果保持輸入tensor的形狀，設定為False，輸出結果會降低維度;
- 第四個引數name： 操作的名稱;
- 第五個引數 reduction_indices：在以前版本中用來指定軸，已棄用;
舉個例子：
import tensorflow as tf x = [[1,2,3], [1,2,3]] xx = tf.cast(x,tf.float32) mean_all = tf.reduce_mean(xx, keep_dims=False) mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False) mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False) with tf.Session() as sess: m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1]) print m_a # output: 2.0 print m_0 # output: [ 1. 2. 3.] print m_1 #output: [ 2. 2.]
類似的函式
- tf.reduce_sum ：計算tensor指定軸方向上的所有元素的累加和;
- tf.reduce_max : 計算tensor指定軸方向上的各個元素的最大值;
- tf.reduce_all : 計算tensor指定軸方向上的各個元素的邏輯和（and運算）;
- tf.reduce_any: 計算tensor指定軸方向上的各個元素的邏輯或（or運算）;
np.linalg.norm()——範數
inalg=linear（線性）+algebra（代數），norm則表示範數。
x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)1. x: 表示矩陣（可以是一維）
2. ord：範數型別
向量的三種範數求法：
矩陣的三種範數求法：
3. axis：處理型別
4. keepding：是否保持矩陣的二維特性
True表示保持矩陣的二維特性，False相反
例子：
import numpy as np
x = np.array([
[1, 2, 3],
[2, 4, 6]])
print "預設引數(矩陣2範數，不保留矩陣二維特性) ：", np.linalg.norm(x)
print "矩陣2範數，保留矩陣二維特性：", np.linalg.norm(x, keepdims=True)
print "矩陣1範數(列和的最大值) ：", np.linalg.norm(x, ord=1,keepdims=True)
print "矩陣2範數(求特徵值，然後求最大特徵值得算術平方根)：", np.linalg.norm(x, ord=2, keepdims=True)
print "矩陣∞範數(行和的最大值) ：", np.linalg.norm(x, ord=np.inf, keepdims=True)
print "矩陣每個行向量求向量的2範數：", np.linalg.norm(x, axis=1, keepdims=True)
print "矩陣每個列向量求向量的2範數：", np.linalg.norm(x, axis=0, keepdims=True)
print "矩陣每個行向量求向量的1範數：", np.linalg.norm(x, ord=1, axis=1, keepdims=True)
print "矩陣每個列向量求向量的1範數：", np.linalg.norm(x, ord=1, axis=0, keepdims=True)
輸出結果為：
預設引數(矩陣2範數，不保留矩陣二維特性) ： 8.36660026534
矩陣2範數，保留矩陣二維特性： [[8.36660027]]
矩陣1範數(列和的最大值) ： [[9.]]
矩陣2範數(求特徵值，然後求最大特徵值得算術平方根)： [[8.36660027]]
矩陣∞範數(行和的最大值) ： [[12.]]
矩陣每個行向量求向量的2範數： [[3.74165739]
[7.48331477]]
矩陣每個列向量求向量的2範數： [[2.23606798 4.47213595 6.70820393]]
矩陣每個行向量求向量的1範數： [[ 6.]
[12.]]
矩陣每個列向量求向量的1範數： [[3. 6. 9.]]參考資料：