操作

TensorFlow 为我们提供了许多可以应用于 Tensors 的操作。通过传递值并将输出分配给另一个张量来定义操作。例如,在提供的 Jupyter Notebook 文件中,我们定义了两个操作,op1op2

op1 = tf.add(c2,c3)
op2 = tf.multiply(c2,c3)

当我们打印op1op2时,我们发现它们被定义为张量:

print('op1 : ', op1)
print('op2 : ', op2)

输出如下:

op1 :  Tensor("Add:0", shape=(), dtype=float32)
op2 :  Tensor("Mul:0", shape=(), dtype=float32)

要打印这些操作的值,我们必须在 TensorFlow 会话中运行它们:

print('run(op1) : ', tfs.run(op1))
print('run(op2) : ', tfs.run(op2))

输出如下:

run(op1) :  13.0
run(op2) :  42.0

下表列出了一些内置操作:

操作类型 操作
算术运算 tf.addtf.subtracttf.multiplytf.scalar_multf.divtf.dividetf.truedivtf.floordivtf.realdivtf.truncatedivtf.floor_divtf.truncatemodtf.floormodtf.modtf.cross
基本的数学运算 tf.add_ntf.abstf.negativetf.signtf.reciprocaltf.squaretf.roundtf.sqrttf.rsqrttf.powtf.exptf.expm1tf.logtf.log1ptf.ceiltf.floortf.maximumtf.minimumtf.costf.sintf.lbetatf.tantf.acostf.asintf.atantf.lgammatf.digammatf.erftf.erfctf.igammatf.squared_differencetf.igammactf.zetatf.polygammatf.betainctf.rint
矩阵数学运算 tf.diagtf.diag_parttf.tracetf.transposetf.eyetf.matrix_diagtf.matrix_diag_parttf.matrix_band_parttf.matrix_set_diagtf.matrix_transposetf.matmultf.normtf.matrix_determinant ],tf.matrix_inversetf.choleskytf.cholesky_solvetf.matrix_solvetf.matrix_triangular_solvetf.matrix_solve_lstf.qr, tf.self_adjoint_eigtf.self_adjoint_eigvalstf.svd
张量数学运算 tf.tensordot
复数运算 tf.complextf.conjtf.imagtf.real
字符串操作 tf.string_to_hash_bucket_fasttf.string_to_hash_bucket_strongtf.as_stringtf.encode_base64tf.decode_base64tf.reduce_jointf.string_jointf.string_splittf.substrtf.string_to_hash_bucket

results matching ""

    No results matching ""