PS：AutoGraph 是很方便，但是 那是 tensorflow的事情了...
1、邏輯&判斷&條件&分支&跳轉
1.1、Tensorflow-API ：對於tensor特定值進行邏輯判斷和操作 - 簡書.html（https://www.jianshu.com/p/9fe26908ac31）
tf.where(condition,x=None,y=None,name=None)
tf.gather_nd ZC：這個是干嘛的？？
(1)、比較函數
1) #判斷每一個數是否大於threshold
greater = tf.greater(x, threshold)
2) #判斷每一個數是否小於threshold
less = tf.less(x,threshold)
3) #判斷每一個數是否大於等於threshold
greater_equal=tf.greater_equal(x, threshold)
4) #判斷每一個數是否小於等於threshold
less_equal=tf.less_equal(x, threshold)
5) #判斷每一個數是否等於threshold
equal = tf.equal(x, threshold)
6) #判斷每一個數是否不等於threshold
not_equal=tf.not_equal(x, threshold)
(2)、這些比較函數會輸出bool類型的tensor,那么就可以配合tf.where來使用
1.2、tensorflow條件語句-tf.case.html（http://www.mamicode.com/info-detail-2558652.html）
tf.case(...)
1.3、Tensorflow之分支結構_PYTandFA的博客-CSDN博客.html（https://blog.csdn.net/PYTandFA/article/details/85233744）
Learning Tensorflow(8)---條件判斷語句_CHAO'S NOTE-CSDN博客.html（https://blog.csdn.net/jinzhichaoshuiping/article/details/84615753）
tf.cond(...)
1.4、tf.where_loop(...)
1.5、
2、TensorFLow 數學運算_zywvvd的博客-CSDN博客.html（https://blog.csdn.net/zywvvd/article/details/78593618）
一、Tensor 之間的運算規則 相同大小 Tensor 之間的任何算術運算都會將運算應用到元素級 不同大小 Tensor(要求dimension 0 必須相同) 之間的運算叫做廣播(broadcasting) Tensor 與 Scalar(0維 tensor) 間的算術運算會將那個標量值傳播到各個元素 Note： TensorFLow 在進行數學運算時，一定要求各個 Tensor 數據類型一致
1 # 算術操作符：+ - * / % 2 tf.add(x, y, name=None) # 加法(支持 broadcasting) 3 tf.subtract(x, y, name=None) # 減法 4 tf.multiply(x, y, name=None) # 乘法 5 tf.divide(x, y, name=None) # 浮點除法, 返回浮點數(python3 除法) 6 tf.mod(x, y, name=None) # 取余 7 8 9 # 冪指對數操作符：^ ^2 ^0.5 e^ ln 10 tf.pow(x, y, name=None) # 冪次方 11 tf.square(x, name=None) # 平方 12 tf.sqrt(x, name=None) # 開根號，必須傳入浮點數或復數 13 tf.exp(x, name=None) # 計算 e 的次方 14 tf.log(x, name=None) # 以 e 為底，必須傳入浮點數或復數 15 16 17 # 取符號、負、倒數、絕對值、近似、兩數中較大/小的 18 tf.negative(x, name=None) # 取負(y = -x). 19 tf.sign(x, name=None) # 返回 x 的符號 20 tf.reciprocal(x, name=None) # 取倒數 21 tf.abs(x, name=None) # 求絕對值 22 tf.round(x, name=None) # 四舍五入 23 tf.ceil(x, name=None) # 向上取整 24 tf.floor(x, name=None) # 向下取整 25 tf.rint(x, name=None) # 取最接近的整數 26 tf.maximum(x, y, name=None) # 返回兩tensor中的最大值 (x > y ? x : y) 27 tf.minimum(x, y, name=None) # 返回兩tensor中的最小值 (x < y ? x : y) 28 29 30 # 三角函數和反三角函數 31 tf.cos(x, name=None) 32 tf.sin(x, name=None) 33 tf.tan(x, name=None) 34 tf.acos(x, name=None) 35 tf.asin(x, name=None) 36 tf.atan(x, name=None) 37 38 39 # 其它 40 tf.div(x, y, name=None) # python 2.7 除法, x/y-->int or x/float(y)-->float 41 tf.truediv(x, y, name=None) # python 3 除法, x/y-->float 42 tf.floordiv(x, y, name=None) # python 3 除法, x//y-->int 43 tf.realdiv(x, y, name=None) 44 tf.truncatediv(x, y, name=None) 45 tf.floor_div(x, y, name=None) 46 tf.truncatemod(x, y, name=None) 47 tf.floormod(x, y, name=None) 48 tf.cross(x, y, name=None) 49 tf.add_n(inputs, name=None) # inputs: A list of Tensor objects, each with same shape and type 50 tf.squared_difference(x, y, name=None)
矩陣數學函數
1 # 矩陣乘法(tensors of rank >= 2) 2 tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None) 3 4 # 轉置，可以通過指定 perm=[1, 0] 來進行軸變換 5 tf.transpose(a, perm=None, name='transpose') 6 7 # 在張量 a 的最后兩個維度上進行轉置 8 tf.matrix_transpose(a, name='matrix_transpose') 9 # Matrix with two batch dimensions, x.shape is [1, 2, 3, 4] 10 # tf.matrix_transpose(x) is shape [1, 2, 4, 3] 11 12 # 求矩陣的跡 13 tf.trace(x, name=None) 14 15 # 計算方陣行列式的值 16 tf.matrix_determinant(input, name=None) 17 18 # 求解可逆方陣的逆，input 必須為浮點型或復數 19 tf.matrix_inverse(input, adjoint=None, name=None) 20 21 # 奇異值分解 22 tf.svd(tensor, full_matrices=False, compute_uv=True, name=None) 23 24 # QR 分解 25 tf.qr(input, full_matrices=None, name=None) 26 27 # 求張量的范數(默認2) 28 tf.norm(tensor, ord='euclidean', axis=None, keep_dims=False, name=None) 29 30 31 # 構建一個單位矩陣, 或者 batch 個矩陣，batch_shape 以 list 的形式傳入 32 tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None) 33 # Construct one identity matrix. 34 tf.eye(2) 35 ==> [[1., 0.], 36 [0., 1.]] 37 38 # Construct a batch of 3 identity matricies, each 2 x 2. 39 # batch_identity[i, :, :] is a 2 x 2 identity matrix, i = 0, 1, 2. 40 batch_identity = tf.eye(2, batch_shape=[3]) 41 42 # Construct one 2 x 3 "identity" matrix 43 tf.eye(2, num_columns=3) 44 ==> [[ 1., 0., 0.], 45 [ 0., 1., 0.]] 46 47 48 # 構建一個對角矩陣，rank = 2*rank(diagonal) 49 tf.diag(diagonal, name=None) 50 # 'diagonal' is [1, 2, 3, 4] 51 tf.diag(diagonal) ==> [[1, 0, 0, 0] 52 [0, 2, 0, 0] 53 [0, 0, 3, 0] 54 [0, 0, 0, 4]] 55 56 57 # 其它 58 tf.diag_part 59 tf.matrix_diag 60 tf.matrix_diag_part 61 tf.matrix_band_part 62 tf.matrix_set_diag 63 tf.cholesky 64 tf.cholesky_solve 65 tf.matrix_solve 66 tf.matrix_triangular_solve 67 tf.matrix_solve_ls 68 tf.self_adjoint_eig 69 tf.self_adjoint_eigvals
Reduction：reduce various dimensions of a tensor
1 # 計算輸入 tensor 所有元素的和，或者計算指定的軸所有元素的和 2 tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None) 3 # 'x' is [[1, 1, 1] 4 # [1, 1, 1]] 5 tf.reduce_sum(x) ==> 6 6 tf.reduce_sum(x, 0) ==> [2, 2, 2] 7 tf.reduce_sum(x, 1) ==> [3, 3] 8 tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] # 維度不縮減 9 tf.reduce_sum(x, [0, 1]) ==> 6 10 11 12 # 計算輸入 tensor 所有元素的均值/最大值/最小值/積/邏輯與/或 13 # 或者計算指定的軸所有元素的均值/最大值/最小值/積/邏輯與/或(just like reduce_sum) 14 tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None) 15 tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None) 16 tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None) 17 tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None) 18 tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None) # 全部滿足條件 19 tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None) #至少有一個滿足條件 20 21 22 ------------------------------------------- 23 # 分界線以上和 Numpy 中相應的用法完全一致 24 ------------------------------------------- 25 26 27 28 # inputs 為一 list, 計算 list 中所有元素的累計和， 29 # tf.add(x, y， name=None)只能計算兩個元素的和，此函數相當於擴展了其功能 30 tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None) 31 32 33 # Computes log(sum(exp(elements across dimensions of a tensor))) 34 tf.reduce_logsumexp(input_tensor, axis=None, keep_dims=False, name=None) 35 36 37 # Computes number of nonzero elements across dimensions of a tensor 38 tf.count_nonzero(input_tensor, axis=None, keep_dims=False, name=None)
Scan：perform scans (running totals) across one axis of a tensor
1 # Compute the cumulative sum of the tensor x along axis 2 tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None) 3 # Eg: 4 tf.cumsum([a, b, c]) # => [a, a + b, a + b + c] 5 tf.cumsum([a, b, c], exclusive=True) # => [0, a, a + b] 6 tf.cumsum([a, b, c], reverse=True) # => [a + b + c, b + c, c] 7 tf.cumsum([a, b, c], exclusive=True, reverse=True) # => [b + c, c, 0] 8 9 10 # Compute the cumulative product of the tensor x along axis 11 tf.cumprod(x, axis=0, exclusive=False, reverse=False, name=None)
Segmentation
沿着第一維(x 軸)根據 segment_ids(list)分割好相應的數據后再進行操作
1 # Computes the sum/mean/max/min/prod along segments of a tensor 2 tf.segment_sum(data, segment_ids, name=None) 3 # Eg: 4 m = tf.constant([5,1,7,2,3,4,1,3]) 5 s_id = [0,0,0,1,2,2,3,3] 6 s.run(tf.segment_sum(m, segment_ids=s_id)) 7 >array([13, 2, 7, 4], dtype=int32) 8 9 tf.segment_mean(data, segment_ids, name=None) 10 tf.segment_max(data, segment_ids, name=None) 11 tf.segment_min(data, segment_ids, name=None) 12 tf.segment_prod(data, segment_ids, name=None) 13 14 15 # 其它 16 tf.unsorted_segment_sum 17 tf.sparse_segment_sum 18 tf.sparse_segment_mean 19 tf.sparse_segment_sqrt_n
序列比較與索引提取
1 # 比較兩個 list 或者 string 的不同，並返回不同的值和索引 2 tf.setdiff1d(x, y, index_dtype=tf.int32, name=None) 3 4 5 # 返回 x 中的唯一值所組成的tensor 和原 tensor 中元素在現 tensor 中的索引 6 tf.unique(x, out_idx=None, name=None) 7 8 9 # x if condition else y, condition 為 bool 類型的，可用tf.equal()等來表示 10 # x 和 y 的形狀和數據類型必須一致 11 tf.where(condition, x=None, y=None, name=None) 12 13 14 # 返回沿着坐標軸方向的最大/最小值的索引 15 tf.argmax(input, axis=None, name=None, output_type=tf.int64) 16 tf.argmin(input, axis=None, name=None, output_type=tf.int64) 17 18 19 # x 的值當作 y 的索引，range(len(x)) 索引當作 y 的值 20 # y[x[i]] = i for i in [0, 1, ..., len(x) - 1] 21 tf.invert_permutation(x, name=None) 22 23 24 # 其它 25 tf.edit_distance
八、參考資料
1、https://www.tensorflow.org/api_guides/python/math_ops
3、
4、
5、