Tensorflow 常用函數解說

tf.split(split_dim, num_split, value, name=’split’)

函數解說：將大的tensor分割成更小的tensor，第一個參數代表沿著那一維開始分割，第二個參數代表切成幾段，如下面例子，「5，30」沿著第一維也就是column開始切割，切成三段，因此就有3個「5，10」的tensor被分割出來

函數範例：

tf.reduce_mean(input_tensor,reduction_indices=None,keep_dims=False, name=None)

函數解說：將tensor取平均，第二個參數代表沿著那一維取平均，例如範例第二個，沿著第0維也就是row取平均得到「1.5，1.5」，手指沿著row的方向掃過，再如第3個範例，沿著第1維也就是column取平均得到[1,2]，手指沿著column方向掃過

函數範例：

tf.reduce_sum(input_tensor,reduction_indices=None, keep_dims=False, name=None)

函數解說：將tensor加總起來，第二個參數代表沿著那一維加總，例如範例第二個，沿著第0維也就是row加總得到[2,2,2]，手指沿著row的方向掃過，再如第3個範例，沿著第1維也就是column加總得到[3,3]，手指沿著column方向掃過，第3個參數如果為True的話，那麼所切出來的長度會回復到1，如同第四個例子一樣，第五個例子表示可以不只沿著其中一個維度加總。

函數範例：

tf.reshape(tensor, shape, name=None)

函數解說：將tensor的維度重新改寫，-1代表自動計算該維度的數量

函數範例：

tf.matmul(a,b,ranspose_a=False,transpose_b=False,_is_sparse=False,_is_sparse=False,ame=None)

函數解說：將a,b兩個矩陣相乘，如果需要事先轉置的話，可以把個別的選項調成True，如果矩陣裏面包括很多0的話，可以調用spare=True轉為更有效率的演算法

函數範例：

tf.argmin(input, dimension, name=None)

函數解說：沿著需要的維度找尋最小值的索引值，最小由0開始

tf.mul(x, y, name=None)

函數解說：實現兩個矩陣點乘，兩個矩陣必須要相同維度

tf.one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)

函數解說：沿著需要的深度製造出one_hot出來，-1代表全都給off_value，indices代表在那一格給on_value

0 2          ——–>[1 0 0]    [0 0 1]

1 -1                     [0 1 0]    [0 0 0]

函數範例：

tf.cast(x, dtype, name=None)

函數解說：將tensor轉換成其他type

函數範例：

tf.Variable.eval(session=None)

函數解說：顯示出某個tensor變數的值

函數範例：

tf.Variable.assign(value, use_locking=False)

函數解說：將tensor中的變數用value值取代，這function可以用來實現double DQN

tf.Variable.assign_sub(delta, use_locking=False)

函數解說：將tensor中的變數-delta值，然後取代

tf.train.Saver.save(sess,save_path,global_step=None,latest_filename=None,meta_graph_suffix=’meta’,write_meta_graph=True)

函數解說：將sess中的訓練參數存起來，一般都會先把前面縮寫，打成saver = tf.train.Saver()，然後以後就可以用saver直接調用

函數範例：

tf.train.Saver.restore(sess, save_path)

函數解說：用剛剛存sess的網路回復數據，save_path 沒有打的話會自動去找尋最近一次save所存的latest_checkpoint()

tf.train.get_checkpoint_state(checkpoint_dir,latest_filename=None)

函數解說：檢查checkpoint_dir資料夾中有無checkpoint這個資料，如果有，回傳checkpoint的資訊給它，底下是範例checkpoint檔案

tf.trainable_variables()

函數解說：回傳trainable=True的所有變數，並存成list的型態

函數說明：

以此網路為說明，v是一個list,如需要觀察各個變數的話，需要給出索引值才可取出，變數以兩兩為一組合，前面代表weight，後面代表bias

輸出為：

tf.concat(concat_dim, values, name=’concat’)

函數解說：將兩個tensor 連接在一起，dim=0代表從row開始連接起，1代表從col連接起

函數說明：

t1 = [[1, 2, 3], [4, 5, 6]]

t2 = [[7, 8, 9], [10, 11, 12]]

tf.concat(0, [t1, t2]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]

tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]



# tensor t3 with shape [2, 3]

# tensor t4 with shape [2, 3]

tf.shape(tf.concat(0, [t3, t4])) ==> [4, 3]

tf.shape(tf.concat(1, [t3, t4])) ==> [2, 6]