функции, связанные с глубоким обучением tensorflow + numpy (постоянно обновляются)

глубокое обучение

 

 

алгоритм тензорного потока

import tensorflow as tf
tf.add(a,b)         #加法
tf.subtract(a,b)    #减法
tf.multiply(x,y)    #乘法
tf.div(x,y)         #整除
tf.truediv(x,y)     #浮点数除法
tf.mod(x,y)         #取余

 

tf.reduce_mean()

Функция tf.reduce_mean используется для вычисления среднего значения тензорного тензора вдоль заданной числовой оси (размерность тензора), которая в основном используется для уменьшения размерности или вычисления среднего значения тензора (изображения).

接口为：

reduce_mean(input_tensor,
                axis=None,
                keep_dims=False,
                name=None,
                reduction_indices=None)
  • Первый параметр input_tensor: входной тензор, размерность которого нужно уменьшить;
  • Второй параметр оси: указанная ось, если не указана, вычисляется среднее значение всех элементов;
  • Третий параметр keep_dims: следует ли уменьшить размерность, установите значение True, результат вывода сохранит форму входного тензора, установите значение False, результат вывода уменьшит размерность;
  • Имя четвертого параметра: имя операции;
  • Пятый параметр reduce_indices: использовался для указания осей в предыдущих версиях, устарел;

Например:

import tensorflow as tf
 
x = [[1,2,3],
      [1,2,3]]
 
xx = tf.cast(x,tf.float32)
 
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
 
 
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

аналогичная функция

  • tf.reduce_sum : вычислить совокупную сумму всех элементов в указанном направлении оси тензора;
  • tf.reduce_max : вычислить максимальное значение каждого элемента в направлении указанной оси тензора;
  • tf.reduce_all : вычислить логическую сумму (и операцию) каждого элемента в направлении указанной оси тензора;
  • tf.reduce_any: вычислить логическое или (или операцию) каждого элемента в указанном направлении оси тензора;

 

np.linalg.norm() - норма

inalg=linear (линейный) + алгебра (алгебра), norm означает норму.

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

1. x: представляет матрицу (может быть одномерной)

2. ord: тип нормы

Трехвекторная норма

Есть три способа найти норму матрицы:

3. ось: тип обработки

4. Сохранение: следует ли сохранять двумерные характеристики матрицы

True означает сохранение двумерных характеристик матрицы, False наоборот.

пример:


import numpy as np
x = np.array([
    [1, 2, 3],
    [2, 4, 6]])
print "默认参数(矩阵2范数，不保留矩阵二维特性)        ：", np.linalg.norm(x)
print "矩阵2范数，保留矩阵二维特性：", np.linalg.norm(x, keepdims=True)
print "矩阵1范数(列和的最大值)   ：", np.linalg.norm(x, ord=1,keepdims=True)
print "矩阵2范数(求特征值，然后求最大特征值得算术平方根)：", np.linalg.norm(x, ord=2, keepdims=True)
print "矩阵∞范数(行和的最大值)   ：", np.linalg.norm(x, ord=np.inf, keepdims=True)
print "矩阵每个行向量求向量的2范数：", np.linalg.norm(x, axis=1, keepdims=True)
print "矩阵每个列向量求向量的2范数：", np.linalg.norm(x, axis=0, keepdims=True)
print "矩阵每个行向量求向量的1范数：", np.linalg.norm(x, ord=1, axis=1, keepdims=True)
print "矩阵每个列向量求向量的1范数：", np.linalg.norm(x, ord=1, axis=0, keepdims=True)

Результат:

默认参数(矩阵2范数，不保留矩阵二维特性)        ： 8.36660026534
矩阵2范数，保留矩阵二维特性： [[8.36660027]]
矩阵1范数(列和的最大值)   ： [[9.]]
矩阵2范数(求特征值，然后求最大特征值得算术平方根)： [[8.36660027]]
矩阵∞范数(行和的最大值)   ： [[12.]]
矩阵每个行向量求向量的2范数： [[3.74165739]
 [7.48331477]]
矩阵每个列向量求向量的2范数： [[2.23606798 4.47213595 6.70820393]]
矩阵每个行向量求向量的1范数： [[ 6.]
 [12.]]
矩阵每个列向量求向量的1范数： [[3. 6. 9.]]

 

Использованная литература:

【1】blog.CSDN.net/I Ang_Xinjiang/AR…

【2】blog.CSDN.net/Scarecrow America/art IC…

Категории