Tensorflow tensor 数学运算和逻辑运算方式

一、arthmetic 算术操作（+，-，*，/，Mod）

（1）tensor-tensor操作(element-wise)

#两个tensor 运算 #运算规则：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为例： #（1）加法+ ts_add1=tf.add(ts1,ts2,name=None) ts_add2=ts1+ts2 #二者等价 #（2）减法- ts_sub1=tf.subtract(ts1,ts2,name=None) ts_sub2=ts1-ts2 #二者等价 #（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 #另外还有truediv(x,y) x,y类型必须一致,floor_div等。 #（5）取模Mod(估计基本用不到)

（2）tensor-scalar操作

#scalar-tensor操作。 #对tensor中所有element执行同样的操作(+，-，*，/) #加法 ts_add=ts1+2 #减法 ts_sub=ts1-2 #乘法 ts_mul=ts1*2 #除法 ts_div=ts1/2

二、基本数学函数

#以下x,y均代表tensor tf.add_n(inputs, name=None) #inputs:tensor数组，所有tensor相加 tf.abs(x, name=None) #绝对值 tf.negative(x, name=None) #取反 tf.sign(x, name=None) #取符号(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均为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) #三角函数,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) #... #等等一些函数。

三、Matrix矩阵操作

tf.diag(diagonal, name=None) #得到以diagonal为对角的tensor tf.diag_part(input, name=None) #tf.diag 逆操作,得到input的对角矩阵 tf.transpose(a, perm=None,name=None) #转置矩阵,y[i,j]=x[j,i] #矩阵乘法 tf.matmul(a, b, transpose_a=False, transpose_b=False, # adjoint_a=False, adjoint_b=False, #共轭 a_is_sparse=False, b_is_sparse=False, #矩阵是否稀疏 name=None)

四、Reduction 归约操作

#（1）tf.reduce_sum #当keep_dims=False。rank of tensor会降维度。 tf.reduce_sum(input_tensor, axis=None, #要归约的dimention。值为None或一个数字或者数组。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 #参数与tf.reduce_sum一致。 #tf.reduce_min : 被归约的数取最小值； #tf.reduce_max : 被归约的数取最大值； #tf.reduce_mean: 被归约的数取平均值。 #（3）逻辑操作 # tf.reduce_all：logical and operation # tf.reduce_any: logical or operation #（4）自定义操作函数 tf.einsum(equation, *inputs) #例子： tf.einsum('ij,jk->ik', ts1,ts2) #矩阵乘法 tf.einsum('ij->ji',ts1) #矩阵转置

五、tensor大小 比较

#(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)其他比较 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、类型转化

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实现

import tensorflow as tf def relu(x): #要构造一个和x shape一样的Tensor。源码中应该不会用效率这么低的写法。 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]))

补充知识：tensorflow 复合逻辑‘且'和‘或'的实现

我就废话不多说了，大家还是直接看代码吧~

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结果11

相当于实现了if n1<n2 and n3<n4:

后来发现，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))

以上这篇Tensorflow tensor 数学运算和逻辑运算方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。

您可能感兴趣的文章:Tensorflow轻松实现XOR运算的方式Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)tensorflow: 查看 tensor详细数值方法详解用TensorFlow实现逻辑回归算法tensorflow指定CPU与GPU运算的方法实现

tensorflow 数学 逻辑运算