2. 程式人生 > >TensorFLow 數學運算

TensorFLow 數學運算

阿新 • • 發佈：2019-01-12

一、Tensor 之間的運算規則

  • 相同大小 Tensor 之間的任何算術運算都會將運算應用到元素級
  • 不同大小 Tensor(要求dimension 0 必須相同) 之間的運算叫做廣播(broadcasting)
  • Tensor 與 Scalar(0維 tensor) 間的算術運算會將那個標量值傳播到各個元素
  • Note： TensorFLow 在進行數學運算時，一定要求各個 Tensor 資料型別一致

二、常用操作符和基本數學函式

大多數運算子都進行了過載操作，使我們可以快速使用 (+ - * /) 等，但是有一點不好的是使用過載操作符後就不能為每個操作命名了。

# 算術操作符：+ - * / % 
tf.add(x, y, name=None
 
)        # 加法(支援 broadcasting)
tf.subtract(x, y, name=None)   # 減法
tf.multiply(x, y, name=None)   # 乘法
tf.divide(x, y, name=None)     # 浮點除法, 返回浮點數(python3 除法)
tf.mod(x, y, name=None)        # 取餘


# 冪指對數操作符：^ ^2 ^0.5 e^ ln 
tf.pow(x, y, name=None)        # 冪次方
tf.square(x, name=None)        # 平方
tf.sqrt(x, name=None
 
)          # 開根號，必須傳入浮點數或複數
tf.exp(x, name=None)           # 計算 e 的次方
tf.log(x, name=None)           # 以 e 為底，必須傳入浮點數或複數


# 取符號、負、倒數、絕對值、近似、兩數中較大/小的
tf.negative(x, name=None)      # 取負(y = -x).
tf.sign(x, name=None)          # 返回 x 的符號
tf.reciprocal(x, name=None)    # 取倒數
tf.abs(x, name=None)           # 求絕對值
 

tf.round(x, name=None)         # 四捨五入
tf.ceil(x, name=None)          # 向上取整
tf.floor(x, name=None)         # 向下取整
tf.rint(x, name=None)          # 取最接近的整數 
tf.maximum(x, y, name=None)    # 返回兩tensor中的最大值 (x > y ? x : y)
tf.minimum(x, y, name=None)    # 返回兩tensor中的最小值 (x < y ? x : y)


# 三角函式和反三角函式
tf.cos(x, name=None)    
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)   


# 其它
tf.div(x, y, name=None)  # python 2.7 除法, x/y-->int or x/float(y)-->float
tf.truediv(x, y, name=None) # python 3 除法, x/y-->float
tf.floordiv(x, y, name=None)  # python 3 除法, x//y-->int
tf.realdiv(x, y, name=None)
tf.truncatediv(x, y, name=None)
tf.floor_div(x, y, name=None)
tf.truncatemod(x, y, name=None)
tf.floormod(x, y, name=None)
tf.cross(x, y, name=None)
tf.add_n(inputs, name=None)  # inputs: A list of Tensor objects, each with same shape and type
tf.squared_difference(x, y, name=None)
  • 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

三、矩陣數學函式

# 矩陣乘法(tensors of rank >= 2)
tf.matmul(a, b, transpose_a=False, transpose_b=False,    adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)


# 轉置，可以通過指定 perm=[1, 0] 來進行軸變換
tf.transpose(a, perm=None, name='transpose')


# 在張量 a 的最後兩個維度上進行轉置
tf.matrix_transpose(a, name='matrix_transpose')
# Matrix with two batch dimensions, x.shape is [1, 2, 3, 4]
# tf.matrix_transpose(x) is shape [1, 2, 4, 3]


# 求矩陣的跡
tf.trace(x, name=None)


# 計算方陣行列式的值
tf.matrix_determinant(input, name=None)


# 求解可逆方陣的逆，input 必須為浮點型或複數
tf.matrix_inverse(input, adjoint=None, name=None)


# 奇異值分解
tf.svd(tensor, full_matrices=False, compute_uv=True, name=None)


# QR 分解
tf.qr(input, full_matrices=None, name=None)


# 求張量的範數(預設2)
tf.norm(tensor, ord='euclidean', axis=None, keep_dims=False, name=None)



# 構建一個單位矩陣, 或者 batch 個矩陣，batch_shape 以 list 的形式傳入
tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)
# Construct one identity matrix.
tf.eye(2)
==> [[1., 0.],
     [0., 1.]]

# Construct a batch of 3 identity matricies, each 2 x 2.
# batch_identity[i, :, :] is a 2 x 2 identity matrix, i = 0, 1, 2.
batch_identity = tf.eye(2, batch_shape=[3])

# Construct one 2 x 3 "identity" matrix
tf.eye(2, num_columns=3)
==> [[ 1.,  0.,  0.],
     [ 0.,  1.,  0.]]


# 構建一個對角矩陣，rank = 2*rank(diagonal)
tf.diag(diagonal, name=None)
# 'diagonal' is [1, 2, 3, 4]
tf.diag(diagonal) ==> [[1, 0, 0, 0]
                       [0, 2, 0, 0]
                       [0, 0, 3, 0]
                       [0, 0, 0, 4]]



# 其它
tf.diag_part
tf.matrix_diag
tf.matrix_diag_part
tf.matrix_band_part
tf.matrix_set_diag
tf.cholesky
tf.cholesky_solve
tf.matrix_solve
tf.matrix_triangular_solve
tf.matrix_solve_ls
tf.self_adjoint_eig
tf.self_adjoint_eigvals
  • 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

四、Reduction：reduce various dimensions of a tensor

# 計算輸入 tensor 所有元素的和，或者計算指定的軸所有元素的和
tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None)
# 'x' is [[1, 1, 1]
#         [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]  # 維度不縮減
tf.reduce_sum(x, [0, 1]) ==> 6


# 計算輸入 tensor 所有元素的均值/最大值/最小值/積/邏輯與/或
# 或者計算指定的軸所有元素的均值/最大值/最小值/積/邏輯與/或(just like reduce_sum)
tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None)  # 全部滿足條件
tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None) #至少有一個滿足條件


-------------------------------------------
# 分界線以上和 Numpy 中相應的用法完全一致
-------------------------------------------



# inputs 為一 list, 計算 list 中所有元素的累計和，
# tf.add(x, y， name=None)只能計算兩個元素的和，此函式相當於擴充套件了其功能
tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None)


# Computes log(sum(exp(elements across dimensions of a tensor)))
tf.reduce_logsumexp(input_tensor, axis=None, keep_dims=False, name=None)


# Computes number of nonzero elements across dimensions of a tensor
tf.count_nonzero(input_tensor, axis=None, keep_dims=False, name=None)
  • 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

五、Scan：perform scans (running totals) across one axis of a tensor

# Compute the cumulative sum of the tensor x along axis
tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None)
# Eg:
tf.cumsum([a, b, c])  # => [a, a + b, a + b + c]
tf.cumsum([a, b, c], exclusive=True)  # => [0, a, a + b]
tf.cumsum([a, b, c], reverse=True)  # => [a + b + c, b + c, c]
tf.cumsum([a, b, c], exclusive=True, reverse=True)  # => [b + c, c, 0]


# Compute the cumulative product of the tensor x along axis
tf.cumprod(x, axis=0, exclusive=False, reverse=False, name=None)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

六、Segmentation

沿著第一維(x 軸)根據 segment_ids(list)分割好相應的資料後再進行操作

這裡寫圖片描述

# Computes the sum/mean/max/min/prod along segments of a tensor
tf.segment_sum(data, segment_ids, name=None)
# Eg:
m = tf.constant([5,1,7,2,3,4,1,3])
s_id = [0,0,0,1,2,2,3,3]
s.run(tf.segment_sum(m, segment_ids=s_id))
>array([13,  2,  7,  4], dtype=int32)

tf.segment_mean(data, segment_ids, name=None)
tf.segment_max(data, segment_ids, name=None)
tf.segment_min(data, segment_ids, name=None)
tf.segment_prod(data, segment_ids, name=None)


# 其它
tf.unsorted_segment_sum
tf.sparse_segment_sum
tf.sparse_segment_mean
tf.sparse_segment_sqrt_n
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19

七、 序列比較與索引提取

# 比較兩個 list 或者 string 的不同，並返回不同的值和索引
tf.setdiff1d(x, y, index_dtype=tf.int32, name=None)


# 返回 x 中的唯一值所組成的tensor 和原 tensor 中元素在現 tensor 中的索引
tf.unique(x, out_idx=None, name=None)


# x if condition else y, condition 為 bool 型別的，可用tf.equal()等來表示
# x 和 y 的形狀和資料型別必須一致
tf.where(condition, x=None, y=None, name=None)


# 返回沿著座標軸方向的最大/最小值的索引
tf.argmax(input, axis=None, name=None, output_type=tf.int64)
tf.argmin(input, axis=None, name=None, output_type=tf.int64)


# x 的值當作 y 的索引，range(len(x)) 索引當作 y 的值
# y[x[i]] = i for i in [0, 1, ..., len(x) - 1]
tf.invert_permutation(x, name=None)


# 其它
tf.edit_distance
  • 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

八、參考資料

http://blog.csdn.net/mzpmzk/article/details/77337851

相關推薦

TensorFLow 數學運算

一、Tensor 之間的運算規則 相同大小 Tensor 之間的任何算術運算都會將運算應用到元素級不同大小 Tensor(要求dimension 0 必須相同) 之間的運算叫做廣播(broadcasting)Tensor 與 Scalar(0維 tensor) 間的算術運

學習筆記（5）---數學運算

mat tla fix bsp matlab 循環 支持 -- oot 一.開n次方 比如-8的立方根，用nthroot（-8，-3），不建議用(-8)^(1/3) 二. 乘除 向0取整數:clear all;clc;fix(7/2)ans = 3-----------

Shell腳本(二)數學運算

style code ech 數學 代碼 incr ++ echo pre 直接上代碼。 #!/bin/bash no1=4 no2=5 echo "using let ..." let result=no1+no2 echo "result is: ${result

當VR踏入足球賽事會是如何?用數學運算又是如何?

足球 數學 運算 vr 虛擬實境 我們可以一起想像一下開賽後第一球進網時，所有人的VR 裝置全切換到進球球員的視角，剎那間觀眾從前鋒眼中看見球門，接著畫面切換至守門員視角，最後停在球門後方視野。沒有VR 裝置的觀眾則透過智能型手機投影3D 全像，回放射門精彩畫面；而當球員沖向場邊與球迷一同

day01_05.數學運算符

lan com 答案 希望 運算符 .com target php ref 數學運算符 $zhang = 100; $lisi = 50; echo $zhang+$lisi; 　　答案:150 $zhang = 50; $lisi = 40; echo $zh

Python學習21：Python中函數的用法，使用函數進行簡單的數學運算

Python 函數 錯誤 今天學習了Python函數的用法，了解了使用Python如何定義一個函數。而且代碼編寫過程中也遇到了一些小小的錯誤，特此記錄一下，以方便以後在遇到同樣錯誤時能夠快速找到問題的點。 # --coding: utf-8 -- # 定義4個簡單的函數，分別是加、減、乘、除，定義

行測（爆發篇）之數學運算怎能輕言放棄？！

經濟 規律 全部 自己 概率問題 排列 分享 我們 不能 一、必考的行程問題 　　1、行程問題的簡單考法 　　 　　 　　 　　 　　 　　 　　【註】上下坡問題其實就是等距離求平均速度的問題。 　　 　　2、相遇問題 直線相遇 環線相遇

理解數據類型與數學運算：求和、溫度轉換

style div 輸入 pan pre 輸入一個數 sum 兩個 求和 a = input(‘請輸入一個數‘) b = input(‘請輸入第二個數‘) sum2=int(a) + int(b) print(‘兩個數的和是：{}‘.format(sum2)) a

理解數據類型與數學運算

sum 轉換 ima img pre inpu .com pri format n1=input(‘請輸入第一個數：‘) n2=input(‘請輸入第二個數：‘) sum2=int(n1)+int(n2) print(‘兩個數的和是：{}‘.format(sum2))

解數據類型與數學運算：求和、溫度轉換

數學運算 華氏溫度 color nbsp 溫度 求和 mat 轉換 數據類型 c = input(‘請輸入攝氏溫度:‘) f = float(c)*9/5+32 print(‘{}攝氏溫度轉為華氏溫度是{}‘.format(c,f)) 解數據類型與數學運算：求和、溫度

理解數據類型與數學運算：求和、溫度轉換2

pan style alt 數學運算 inpu int com img png a = int(input(‘攝氏溫度轉換為華氏溫度請按 1\n華氏溫度轉換為攝氏溫度請按 2\n‘)) if a==1: c = float(input(‘請輸入攝氏溫度：‘))

理解數據類型與數學運算。求和、溫度轉換。

一個數 http src PE sum str image format 輸入一個數 >>> a=input(‘請輸入一個數‘) 請輸入一個數5 >>> print(a) 5 >>> a=input(‘請輸入一個數;‘

R: 基本的數學運算

TP 一個 uniq 並集 ron 存在 AR 相等 tro ################################################### 問題：基本數學運算 18.4.30 R語言用於初等數學的計算，都怎麽表示？？加減乘除、

Julia - 數學運算

python 值類型 按位異或 運算 基礎 復制 算術 基本 == 算術運算符 算術運算符適用於所有的基本數值類型 +x，一元加法，就是 x 本身 -x，一元減法，x 的相反數 x + y，二元加法，做加法運算 x - y，二元減法，做減法運算 x * y，乘法

【Linux】shell數學運算

變量名 right 浮點型 border 測試 solid 操作符 font pad 在Bash shell環境中，可以利用let、(())和[]執行基本的算術操作。而在進行高級操作時，expr和bc這兩個工具就特別有用 let的使用 Script01.sh #!/bin/

Linux編程 22 shell編程(輸出和輸入重定向，管道，數學運算命令，退出腳本狀態碼)

tab test $? per width 可能 註意 ble 保存 1. 輸出重定向 　　最基本的重定向是將命令的輸出發送到一個文件中。在bash shell中用大於號(>) ,格式如下：command > inputfile。例如：將date命令的輸出內容，

10.22 使用DateUtils對日期進行數學運算

span mat lan 分享圖片 pid pen play -- ons 1.1、pom <dependency> <groupId>org.apache.commons</groupId> <artifactId&g

C++ 數學運算, <cmath>

C++ 數學運算 在 C++ 中，除了可以建立各種函式，還包含了各種有用的函式供您使用。這些函式寫在標準 C 和 C++ 庫中，叫做內建函式。您可以在程式中引用這些函式。 C++ 內建了豐富的數學函式，可對各種數字進行運算。下表列出了 C++ 中一些有用的內建的數學函式。 為了利用這

Python: 複數的數學運算

寫的最新的網路認證方案程式碼遇到了一個難題，唯一的解決辦法就是使用複數空間，需要使用複數來執行一些計算操作。 複數可以用使用函式complex(real, imag) 或者是帶有後綴j 的浮點數來指定。比如： >>> a = complex(2, 4) >>> b

linux shell 指令碼【2】 ---- 數學運算

在Bash shell環境中，可以利用 let、 (()) 、 [ ]、 expr 、  bc 進行數學運算 用法直接上程式碼，如下： #! /bin/bash echo "數學運算篇 START" #基本運算----let a=5; b=4; echo "a = $a