什么网站可以做钟点工,赣州市人才网,在线图片编辑器手机版,广州网站建设优化公司哪家好1.tf.argmax(input,axis)
tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引。
axis 0:
比较每一列的元素#xff0c;将每一列最大元素所在的索引记录下来#xff0c;最后输出每一列最大元素所在的索引数组。
test[0] array([1, 2, 3])
test[1] …1.tf.argmax(input,axis)
tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引。
axis 0:
比较每一列的元素将每一列最大元素所在的索引记录下来最后输出每一列最大元素所在的索引数组。
test[0] array([1, 2, 3])
test[1] array([2, 3, 4])
test[2] array([5, 4, 3])
test[3] array([8, 7, 2])
# output : [3, 3, 1]
axis 1 :
将每一行最大元素所在的索引记录下来最后返回每一行最大元素所在的索引数组。
test[0] array([1, 2, 3]) #2
test[1] array([2, 3, 4]) #2
test[2] array([5, 4, 3]) #0
test[3] array([8, 7, 2]) #0
2.tf.placeholder(dtype, shapeNone, nameNone)
参数
dtype数据类型。常用的是tf.float32,tf.float64等数值类型
shape数据形状。默认是None就是一维值也可以是多维比如[2,3], [None, 3]表示列是3行不定
name名称
(原文链接https://blog.csdn.net/kdongyi/article/details/82343712)
Tensorflow的设计理念称之为计算流图在编写程序时首先构筑整个系统的graph代码并不会直接生效这一点和python的其他数值计算库如Numpy等不同graph为静态的类似于docker中的镜像。然后在实际的运行时启动一个session程序才会真正的运行。这样做的好处就是避免反复地切换底层程序实际运行的上下文tensorflow帮你优化整个系统的代码。 所以placeholder()函数是在神经网络构建graph的时候在模型中的占位此时并没有把要输入的数据传入模型它只会分配必要的内存。等建立session在会话中运行模型的时候通过feed_dict()函数向占位符喂入数据。
3.tf.multiply(x, y, nameNone)
参数:
x: 一个类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量
y: 一个类型跟张量x相同的张量 返回值
x * y element-wise.
multiply这个函数实现的是元素级别的相乘也就是两个相乘的数元素各自相乘而不是矩阵乘法注意和tf.matmul区别。 两个相乘的数必须有相同的数据类型不然就会报错
4.tf.matmul(a, b, transpose_aFalse, transpose_bFalse, adjoint_aFalse, adjoint_bFalse, a_is_sparseFalse, b_is_sparseFalse, nameNone)
参数:
a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 1 的张量
b: 一个类型跟张量a相同的张量。
transpose_a: 如果为真, a则在进行乘法计算前进行转置
transpose_b: 如果为真, b则在进行乘法计算前进行转置
adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置
adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置
a_is_sparse: 如果为真, a会被处理为稀疏矩阵
b_is_sparse: 如果为真, b会被处理为稀疏矩阵
name: 操作的名字可选参数返回值
一个跟张量a和张量b类型一样的张量且最内部矩阵是a和b中的相应矩阵的乘积
输入必须是矩阵或者是张量秩 的张量表示成批的矩阵并且其在转置之后有相匹配的矩阵尺寸两个矩阵必须都是同样的类型支持的类型如下float16, float32, float64, int32, complex64, complex128
5.tf.cast(x,dtype,nameNone)
将 x 的数据格式转化成 dtype. 例如原来 x 的数据格式是 bool那么将其转化成 float 以后就能够将其转化成 0 和 1 的序列。反之也可以.
a tf.Variable([0,0,0,1,1])
b tf.cast(a,dtypetf.bool)
sess tf.Session()
sess.run(tf.initialize_all_variables())
print(sess.run(b)) [ False False False True True]
