Tensorflow入门到实战 拓展(Tensorflow常用函数)

tf.argmax                axis

y_pre = [[5,1,1,0,1],[2,3,-4,5,6]]
​
session.run(tf.arg_max(y_pre,1))
array([0, 4], dtype=int64)

y_pre
session.run(tf.arg_max(y_pre,0))
array([0, 1, 0, 1, 1], dtype=int64)

0是纵轴比较，1是横向比较

tf.cast

correct = [[ True,False  ,True],[False , True ,True]]
​
session.run(tf.cast(correct,tf.float32))
array([[ 1.,  0.,  1.],
       [ 0.,  1.,  1.]], dtype=float32)

)
session.run(tf.reduce_mean(tf.cast(correct,tf.float32)))
0.66666669

tf.equal()

import tensorflow as tf
import numpy as np
 
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
 
with tf.Session() as sess:
    print(sess.run(tf.equal(A, B)))

truncated_normal

作为tensorflow里的正态分布产生函数，这两个函数的输入参数几乎完全一致，

而其主要的区别在于，tf.truncated_normal的输出如字面意思是截断的，而截断的标准是2倍的stddev。

举例，当输入参数mean = 0 ， stddev =1时，

使用tf.truncated_normal的输出是不可能出现[-2,2]以外的点的，

而如果shape够大的话，tf.random_normal却会产生2.2或者2.4之类的输出。
 

 

在计算损失时，通常会用到reduce_sum()函数来进行求和，但是在使用过程中常常会搞不清楚具体是怎样进行计算的，通过查阅资料，逐渐搞清楚了这个函数的用法，下面就来详细解释一下。

在TensorFlow官方文档中有这样的解释： 

其实在reduce_sum()中，是从维度上去考虑的。其中的参数reduction_indices很容易搞蒙圈，上个图加深理解吧

 

其实在reduce_sum()中，是从维度上去考虑的。其中的参数reduction_indices很容易搞蒙圈，上个图加深理解吧。 

调用reduce_sum(arg1, arg2)时，参数arg1即为要求和的数据，arg2有两个取值分别为0和1，通常用reduction_indices=[0]或reduction_indices=[1]来给arg2传递参数。从上图可以看出，当arg2 = 0时，是纵向对矩阵求和，原来矩阵有几列最后就得到几个值；相似地，当arg2 = 1时，是横向对矩阵求和，原来矩阵有几行最后就得到几个值；当省略arg2参数时，默认对矩阵所有元素进行求和，最后得到一个值。

看到这里，函数名的前缀为什么是reduce_其实也就很容易理解了，reduce就是“对矩阵降维”的含义，下划线后面的部分就是降维的方式，在reduce_sum()中就是按照求和的方式对矩阵降维。那么其他reduce前缀的函数也举一反三了，比如reduce_mean()就是按照某个维度求平均值，等等。

原文：https://blog.csdn.net/chengshuhao1991/article/details/78545723