python库--tensorflow

 

方法	返回值类型	参数	说明
张量
.constant()	Tensort 张量 实例t	value	创建一个常量tensor
		dtype=None	输出类型
		shape=None	返回tensor的形状
		name='Const'	张量名
		verify_shape=False	是否保留输入数据的形状且不能被更改. True若shape与输入形状不一致则报错
t.device	str	表示tensor将被产生的设备名称
t.dtype		元素类型
t.graph		此tensor被哪个图所有
t.name		张量名
t.op		产生这个tensor作为输出的操作
t.shape	TensorShape	tensor的形状
t.value_index		表示这个tensor在其操作结果中的索引
t.consumers()	list		返回消耗这个tensor的操作列表
t.eval()	ndarray	feed_dict=None	用于placeholder赋初始值{placeholder_object: value}
		session=None	用来计算此tensor的session
t.get_shape()	TensorShape		tensor的形状
t.set_shape()	None	shape	更新tensor的形状, verify_shape=False
.zeros()	Tensor	(shape, dtype=tf.float32, name=None) 按shape生成一个全0 tensor
.zeros_like()	Tensor	(tensor, dtype=None, name=None) 按tensor的shape创建一个新全0 tensor
.ones()   .ones_like()	Tensor	参考上面两个, 创建全1 tensor
.fill()	Tensor	(dims, value, name=None) 值全为value, 形状为dims的tensor
.linspace()	1DTensor	创建包含num个元素, 且步长固定的tensor
		start	起始值(包含)
		stop	结束值(包含)
		num	步长 = (stop - start) / (num-1)
		name=None	张量名
.range()	1DTensor	(start, limit, delta=1, name='range') 创建范围为[start, limit)步长为delta的tensor
.placeholder() 占位符(feed_dictation) run的时候才赋初始值	Tensor	dtype	数据类型, 必须制定, 推荐float32(或1)
		shape=None	指定返回张量的形状, None表示任意形状, 某一维为None则表示次维不做限制
		name=None	张量名
.nn.embedding_ lookup()	Tensor	params	多维数据,
		ids	多维数据, 值为params的索引, 返回params的对应值
		partition_strategy='mod'
		name=None	张量名
		validate_indices=True
		max_norm=None
.layers.dense() 全连接层	Tensor
		inputs	二维tensor
		units	输出空间的维度(该层神经单元节点数)
		activation及其以后参数同tf.layers.conv1d
变量
.Variable()	Variable 变量 实例v	initial_value	Tensor or Tensor_like. 变量的初始化值. 必须指定shape, 除非validate_shape=False
		trainable=True	是否将该变量添加到图形集合`GraphKeys.TRAINABLE_VARIABLES`
		collections=None	图表集合键的列表。新的变量被添加到这些集合中。默认为`[GraphKeys.GLOBAL_VARIABLES]`
		validate_shape=True	是否允许变量初始化为未知形状的值
		caching_device=None	描述设备的字符串, 表示哪个设备用来读取缓存. 默认是device
		name=None	变量名
		variable_def=None
		dtype=None	指定数据类型
		expected_shape=None	TensorShape类型. 要是设置了, 那么初始的值会是这种形状
		import_scope=None
v.device		设备名称
v.dtype		数据类型
v.graph		存放变量的图
v.initial_value	Tensor	变量的初始值
v.initializer		变量的初始化器
v.name		变量名
v.op		产生这个variable作为输出的操作
v.assign()	Variable	value	为变量指定一个新值(形状相同)
		use_locking=False
v.assign_add()	Variable	delta, use_locking	为这个变量加上一个值(形状相同)
v.assign_sub()	Variable	delta, use_locking	为这个变量减去一个值(形状相同)
v.count_up_to()	Variable	limit	上限值. 当Op运行时, 它试图将变量+1, 如果增加变量使其超过限制, 将会引发异常
v.eval()		session=None	在一个session里计算并返回变量值
v.get_shape()			返回变量的形状
v.initialized_value()	Tensor		返回已经初始化变量的值
v.load()	Variable	value	新的变量值. 把新值载入到变量里
		session=None	用来估算这个变量的Session
v.read_value()	Tensor		返回这个变量的值
v.scatter_sub()		sparse_delta
		use_locking=False
v.set_shape()	Variable	shape	改变变量形状
.get_variable()	Variable	name	新的或现有变量名(可用于变量复用)
		shape=None	新变量或现有变量的形状
		dtype=None	新变量或现有变量的类型
		initializer=None	变量的初始值设定项
		regularizer=None
		trainable=True	是否将变量添加到图形集合
		collections=None	图形集合键列表
		caching_device=None
		partitioner=None
		validate_shape=True	是否允许变量初始化为未知形状的值
		use_resource=None
		custom_getter=None
		将value赋给ref来更新ref
.assign()	Variable	ref	Veriable
		value	跟ref同类型的Tensor
		validate_shape=None	True: value需和ref形状相同(默认)
			False: ref将对value的形状进行引用
		use_locking=None
		name=None	操作的名称
.global_variables()			返回全局变量
.local_variables()			返回局部变量
.variables_ initializer()		var_list	待初始化变量列表
		name='init'	操作的名称
.global_variables_ initializer()	Op		(替换tf.initialize_all_variables()的新方法)返回一个初始化所有全局变量的操作. 类似variables_initializers(global_variables())
.local_variables_ initializer()	Op		返回一个初始化所有局部变量的操作
Graph(图)
.get_default_graph()			返回默认图
.Graph()	实例g		创建一个图
g.building_function
g.finalized			若此图被终止了则返回True
g.graph_def_versions
g.seed			此图的图层随机种子
g.version
g.add_to_collection()
		name
		value
g.as_default()	with...:		将此图设为默认, 其包含的张量将在此图中
g.device()		matmul_on_gpu	参见tf.device
g.finalize()			结束这个Graph, 使得它只读
g.get_all_collection_ key()	list		返回Graph中的collection列表
g.get_operation_ by_name()		name	根据操作名返回操作
g.get_operations()	list		返回图中操作列表
g.get_tensor_by_ name()	Tensor	name	根据张量名返回tensor
g.is_feedable()	bool	tensor	判断tensor能否被feed
g.is_fetchable()	bool	tensor_or_op	判断tensor或op能否被取到
g.name_scope()			参考tf.name_scope()
Session
.InteractiveSession()	实例s	创建一个新的session并设为默认
		target=''	连接执行引擎, 默认in-process
		graph=None	要计算的graph
		config=None
.Session()	实例s	创建一个新的session, 包含了操作对象执行的环境
		target=''	连接执行引擎, 默认in-process
		graph=None	要计算的graph
		config=None
s.graph			"投放"到session中的图
s.graph_def			图的描述
s.sess_str
s.run()		运行操作计算tensor
		fetches	图中的一个元素, 或元素列表. 或一个字典, 返回也将是字典, key不变, 值变为运算后的值
		feed_dict=None	用于placeholder赋初始值
		options=None
		run_metadata=None
s.close()			关闭这个session
s.as_default()	with...:		将此对象设为默认的session
优化器Optimizer(tf.train)
.Optimizer()			优化器类的基类(基本不用)
.GradientDescent Optimizer()	Op	创建一个梯度下降算法的优化器
		learning_rate	要是用的学习率
		use_locking=False
		name='GradientDescent'	操作的名称
Op.compute_ gradients()
		loss	待减小的值
		var_list=None	默认GraphKey.TRAINABLE_VARIABLES
		gate_gradients= GATE_OP
		aggregation_method=N
		colocate_gradients_with_ ops=False
		grad_loss=None
.AdadeltaOptimizer		实现了Adadelta算法的优化器, 可以算是Adagrad算法的改进版
		learning_rate=0.001	学习率
		rho=0.95	衰减率
		epsilon=1e-08
		use_locking=False
		name='Adadelta'	操作的名称
.AdagradOptimizer		实现了Adagrad算法的优化器
		learning_rate	学习率
		initial_accumulator_ value=0.1
		use_locking=False
		name='Adagrad'	操作的名称
.Momentum Optimizer()
.AdamOptimizer()
数学函数(Math)点击跳转到官方API(有墙)
.argmax()	Tensor	返回指定维度最大值的位置
		input	Tensor
		axis=None	默认维度0
		name=None	操作名称
		output_type=tf.int64	tf.int32或tf.int64
.argmin()	Tensor	同.argmax但作用相反
.matmul()	Tensor	计算矩阵的积
		a,b	需要计算的两个矩阵
		transpose_a=False	是否将a计算前进行转置
		transpose_b=False	是否将b计算前进行转置
		adjoint_a=False	是否将a计算前进行共轭转置
		adjoint_b=False	是否将b计算前进行共轭转置
		a_is_sparse=Fasle	a是否是稀疏矩阵
		b_is_sparse=Fasle	b是否是稀疏矩阵
随机值
.random_normal()	Tensor	返回一个指定形状，被随机正态分布值填充的tensor
		shape	指定返回张量的形状
		mean=0.0	正态分布的均值
		stddev=1.0	正态分布的标准差
		dtype=tf.float32	输出类型: float32, float64, int32或int64
		seed=None	随机数种子
		name=None	张量名
.truncated_normal()	Tensor	返回一个指定形状，被截断正态分布（truncated normal distribution）值填充的tensor(参数同上)
.random_unifrom()	Tensor	服从均值分布的随机数, 区间为[minval, maxval)
		shape	指定返回张量的形状
		minval=0	随机值范围的下界(默认[0, 1))
		maxval=None	随机值范围的上界(int则必须指定此值)
		dtype, seed, name	同上
.random_shuffle()	Tensor	在第一个维度随机打乱顺序(可在随机梯度下降的时候用)
		value	待打乱的tensor
		seed, name	同上
形状相关操作
.shape()	Tensor	返回输入Tensor的形状
		input	输入的Tensor
		name=None	操作的名称
		out_type=tf.int32	输出数据的数据类型
.shape_n()
.size()		返回输入Tensor的元素数量(参数同tf.shape)
.rank()		(input, name=None)返回tensor的维度数
.reshape()	Tensor	改变一个tensor的形状
		tensor	输入tensor
		shape	tensor形状(某个分量可以是-1, 将将自动计算此值)
		name=None	操作的名称
.squeeze()
.expand_dims()
.reduce_max() 参考np.max	Tensor	input_tensor	传入一个tensor或可转换为tensor的数据
		axis=None(原reduction_indices)	选择操作的维度, 默认操作全部数据
		keep_dims=False	是否保留原维度, 否则计算后维度降低
		name=None	张量名
.reduce_*	Tensor	参考.reduce_max参数	参考np.*
基本神经网络组件
激活函数(输入输出维度一致)
.nn.relu()	Tensor	计算修正线性单元
		features	tensor
		name=None	操作的名称
.nn.relu6()
.nn.crelu()
.nn.elu()
.nn.softsign()
.nn.dropout()	Tensor	随机丢弃一部分神经元 (有助于防止过度拟合)
		inputs	Tensor
		rate=0.5	丢包率
		noise_shape=None
		seed=None	随机种子
		training=False
		name=None	操作名称
.nn.bias_add()
.sigmoid()
.tanh()
分类
.nn.sigmoid_cross_ entropy_with_logits()
.nn.softmax()	Tensor	softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), dim)
		logits	Tensor
		dim=-1	运算的维度, 默认最后一个维度
		name=None	操作名称
.nn.log_softmax()	Tensor	logsoftmax = logits - log(reduce_sum(exp(logits), dim))
		参数同.nn.softmax()
.nn.softmax_cross_ entropy_with_logits()	Tensor	计算交叉熵(禁止使用位置参数)(损失函数, 越小模型越优)
		labels=None	有效概率分布
		logits=None	估计概率分布
		dim=-1	维度, 默认最后一个维度
		name=None	操作名称
.nn.sparse_softmax_ cross_entropy_with_ logits()
.nn.weighted_cross_ entropy_with_logits()
各种卷积网络
基本卷积操作
.layers.conv1d()	Tensor	inputs	张量输入
		filters	整数, 输出空间的维数(即, 卷积核的数量)
		kernel_size	一个整数或一个整数的元组/列表, 指定1D卷积窗的长度
		strides=1	一个整数或一个整数的元组/列表, 指定卷积的步幅长度
		padding='valid'	'valid'或'same'不区分大小写
		data_format= 'channels_last'
		dilation_rate=1
		activation=None	激活函数, 默认线性激活
		ues_bias=True	是否使用偏置
		kernel_initializer=None	卷积核初始化
		bias_initializer= tf.zeros_initializer()	偏置初始化, 默认初始化为0
		kernel_regularizer=None	卷积核化的正则化
		bias_regularizer=None	偏置项的正则化
		activity_regularizer=None	输出的正则化函数
		kernel_constraint=None
		bias_constraint=None
		trainable=True	该层的参数是否参与训练, True则变量加入到图集合中
		name=None	该层的名称
		reuse=None	是否重复使用参数
.layers.conv2d()	Tensor	二维卷积
		参数同.layers.conv1d, 只列出不同
		kernel_size	一个整数或2个整数的元组/列表, 指定2D卷积窗口的高度和宽度. 一个整数表示高=宽
		strides	一个整数或2个整数的元组/列表, 指定沿高度和宽度的步幅长度
		dilation_rate
.nn.conv2d()	Tensor	二维卷积
		input	输入
		filter	[滤波器高,滤波器宽,深度(同输入),滤波器个数(输出的深度 )]
		strides	滑动步长, 一般为[1, x_strides, y_strides, 1]
		padding	'SAME'会有0填充, 使步长为1时保持输入输出尺寸不变, 而'VALID'则采取丢弃
		use_cudnn_on_gpu=N
		data_format=None	指明输入数据和输出数据的格式. 'NHWC': 数据存储格式为[batch, in_height, in_width, in_channels]; 'NCHW': 数据存储格式为[batch, in_channels, in_height, in_width]
		name=None	操作的名称
.nn.atrous_conv2d()	Tensor	空洞卷积(没有stride参数, 因为被固定为了1)
		value	4DTensor, 需要'NHWC'格式
		filters	[滤波器高,滤波器宽,深度(同输入),滤波器个数(输出的深度 )]
		rate	插入(rate-1)数量的'0'
		padding	'VALID'或'SAME'. 'VALID'返回:[batch, height-2*(filter_width-1), width-2*(filter_height-1), out_channels]的Tensor; 'SAME'返回:[batch, height, width, out_channels]的Tensore
		name=None	操作的名称
池化操作(Pooling)
.nn.avg_pool()	Tensor	平均
		value	[batch, height, width, channels]
		ksize	滤波器形状, 一般二维图像为[1,高,宽,1]
		strides	步长, 一般为[1, x_strides, y_strides, 1]
		padding	'VALID'或'SAME'
		date_format='NHWC'	'NHWC'或'NCHW'
		name=None	操作名
.nn.max_pool()
.nn.max_pool_with_ argmax()
.nn.avg_pool3d()
.nn.max_pool3d()
.nn.fractional_avg_ pool()
.nn.fractional_max_ pool()
.nn.pool()
.device()	with...:	'/cpu:0'	指定运算设备为CPU, 即使多个CPU也不区分.
		'/gpu:n'	多个GPU的名称是不同的, 第一个为'/gpu:0'
.name_scope()	with...:	name	在其下使用Variable, 变量名(V_n)前会被加上'name/...'且相同V_n会自动添加后缀加以区分, 使用get_variable, V_n不会变化, 且出现相同V_n会报错
		default_name=None	如果`name`参数是`None`，则使用默认名称
		values=None
.variable_scope()	with...as sc:	name_or_scope	Variable以及get_variable变量名(V_n)前面都会被加上'name/...'但只有Variable的V_n会自动加后缀区分, 而在get_variable重复V_n前面加上sc.reuse_variables()可实现变量复用(指向同一变量)不加则报错
		default_name=None	如果`name_or_scope`参数是`None`，则使用默认名称
		values=None
		initializer=None	此范围内变量的默认初始值设定项
		regularizer=None	此范围内的变量的默认regularizer
		caching_device=None	此范围内的变量的默认缓存设备
		partitioner=None	此范围内变量的默认分区程序
		custom_getter=None	这个范围内的变量的默认自定义getter
		reuse=None
		dtype=None	在此作用域中创建的变量类型
		use_resource=None