一、Tensor 之間的運算規則
1) 相同大小 Tensor 之間的任何算術運算都會将運算應用到元素級
2) 不同大小 Tensor(要求dimension 0 必須相同) 之間的運算叫做廣播(broadcasting)
3) Tensor 與 Scalar(0維 tensor) 間的算術運算會将那個标量值傳播到各個元素
4) Note：TensorFLow 在進行數學運算時，一定要求各個 Tensor 資料類型一緻
二、算術操作（+，-，*，/，Mod）
（1）tensor-tensor操作(element-wise)
大多數運算符都進行了重載操作，使我們可以快速使用 (+ - * /) 等，但是有一點不好的是使用重載操作符後就不能為每個操作命名了。
#兩個tensor 運算
#運算規則：element-wise。即c[i,j,..,k]=a[i,j,..,k] op b[i,j,..,k]
ts1=tf.constant(1.0,shape=[2,2])
ts2=tf.Variable(tf.random_normal([2,2]))
sess.run(tf.global_variables_initializer())
#以ts1和ts2為例：
#（1）加法+
ts_add1=tf.add(ts1,ts2,name=None)
ts_add2=ts1+ts2 #二者等價
#（2）減法-
ts_sub1=tf.subtract(ts1,ts2,name=None)
ts_sub2=ts1-ts2 #二者等價
#（3）乘法*
ts_mul1=tf.multiply(ts1,ts2,name=None)
ts_mul2=ts1*ts2
#（4）除法/
ts_div1=tf.divide(ts1,ts2,name=None)
ts_div2=tf.div(ts1,ts2,name=None) #div 支援 broadcasting(即shape可不同)
ts_div3=ts1/ts2
#另外還有truediv(x,y) x,y類型必須一緻,floor_div等。 （2）tensor-scalar操作
#scalar-tensor操作。
#對tensor中所有element執行同樣的操作(+，-，*，/)
#加法
ts_add=ts1+2
#減法
ts_sub=ts1-2
#乘法
ts_mul=ts1*2
#除法
ts_div=ts1/2 （3）基本數學函數
# 算術操作符：+ - * / %
tf.add(x, y, name=None) # 加法(支援 broadcasting)
tf.subtract(x, y, name=None) # 減法
tf.multiply(x, y, name=None) # 乘法
tf.divide(x, y, name=None) # 浮點除法, 傳回浮點數(python3 除法)
tf.mod(x, y, name=None) # 取餘
# 幂指對數操作符：^ ^2 ^0.5 e^ ln
tf.pow(x, y, name=None) # 幂次方
tf.square(x, name=None) # 平方
tf.sqrt(x, name=None) # 開根号，必須傳入浮點數或複數
tf.exp(x, name=None) # 計算 e 的次方
tf.log(x, name=None) # 以 e 為底，必須傳入浮點數或複數
# 取符号、負、倒數、絕對值、近似、兩數中較大/小的
tf.negative(x, name=None) # 取負(y = -x).
tf.sign(x, name=None) # 傳回 x 的符号
tf.reciprocal(x, name=None) # 取倒數
tf.abs(x, name=None) # 求絕對值
tf.round(x, name=None) # 四舍五入
tf.ceil(x, name=None) # 向上取整
tf.floor(x, name=None) # 向下取整
tf.rint(x, name=None) # 取最接近的整數
tf.maximum(x, y, name=None) # 傳回兩tensor中的最大值 (x > y ? x : y)
tf.minimum(x, y, name=None) # 傳回兩tensor中的最小值 (x < y ? x : y)
# 三角函數和反三角函數
tf.cos(x, name=None)
tf.sin(x, name=None)
tf.tan(x, name=None)
tf.acos(x, name=None)
tf.asin(x, name=None)
tf.atan(x, name=None)
# 其它
tf.div(x, y, name=None) # python 2.7 除法, x/y-->int or x/float(y)-->float
tf.truediv(x, y, name=None) # python 3 除法, x/y-->float
tf.floordiv(x, y, name=None) # python 3 除法, x//y-->int
tf.realdiv(x, y, name=None)
tf.truncatediv(x, y, name=None)
tf.floor_div(x, y, name=None)
tf.truncatemod(x, y, name=None)
tf.floormod(x, y, name=None)
tf.cross(x, y, name=None)
tf.add_n(inputs, name=None) # inputs: A list of Tensor objects, each with same shape and type
tf.squared_difference(x, y, name=None) 三、tensor大小 比較
#(1)相等equal (element-wise)
tf.equal(x, y, name=None) #Returns the truth value of (x == y) element-wise.
#(2)不等not_equal
tf.not_equal(x, y, name=None)
#(3)其他比較
tf.less(x, y, name=None)
tf.less_equal(x, y, name=None)
tf.greater(x, y, name=None)
tf.greater_equal(x, y, name=None) 四、恒等映射
#恒等映射
tf.identity(input, name=None) #Return a tensor with the same shape and contents as the input tensor or value. 五、類型轉化
tf.cast(x, dtype, name=None)
#Casts a tensor to a new type.
#For example:
# tensor `a` is [1.8, 2.2], dtype=tf.float
#tf.cast(a, tf.int32) ==> [1, 2] dtype=tf.int32 六、矩陣運算相關數學函數
# 矩陣乘法(tensors of rank >= 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)
# 轉置，可以通過指定 perm=[1, 0] 來進行軸變換
tf.transpose(a, perm=None, name='transpose')
# 在張量 a 的最後兩個次元上進行轉置
tf.matrix_transpose(a, name='matrix_transpose')
# Matrix with two batch dimensions, x.shape is [1, 2, 3, 4]
# tf.matrix_transpose(x) is shape [1, 2, 4, 3]
# 求矩陣的迹
tf.trace(x, name=None)
# 計算方陣行列式的值
tf.matrix_determinant(input, name=None)
# 求解可逆方陣的逆，input 必須為浮點型或複數
tf.matrix_inverse(input, adjoint=None, name=None)
# 奇異值分解
tf.svd(tensor, full_matrices=False, compute_uv=True, name=None)
# QR 分解
tf.qr(input, full_matrices=None, name=None)
# 求張量的範數(預設2)
tf.norm(tensor, ord='euclidean', axis=None, keep_dims=False, name=None)
# 建構一個機關矩陣, 或者 batch 個矩陣，batch_shape 以 list 的形式傳入
tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)
# Construct one identity matrix.
tf.eye(2)
==> [[1., 0.],
[0., 1.]]
# Construct a batch of 3 identity matricies, each 2 x 2.
# batch_identity[i, :, :] is a 2 x 2 identity matrix, i = 0, 1, 2.
batch_identity = tf.eye(2, batch_shape=[3])
# Construct one 2 x 3 "identity" matrix
tf.eye(2, num_columns=3)
==> [[ 1., 0., 0.],
[ 0., 1., 0.]]
# 建構一個對角矩陣，rank = 2*rank(diagonal)
tf.diag(diagonal, name=None)
# 'diagonal' is [1, 2, 3, 4]
tf.diag(diagonal) ==> [[1, 0, 0, 0]
[0, 2, 0, 0]
[0, 0, 3, 0]
[0, 0, 0, 4]]
# 其它
tf.diag_part
tf.matrix_diag
tf.matrix_diag_part
tf.matrix_band_part
tf.matrix_set_diag
tf.cholesky
tf.cholesky_solve
tf.matrix_solve
tf.matrix_triangular_solve
tf.matrix_solve_ls
tf.self_adjoint_eig
tf.self_adjoint_eigvals 七、Reduction：reduce various dimensions of a tensor
# 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
tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None)
# 'x' is [[1, 1, 1]
# [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] # 次元不縮減
tf.reduce_sum(x, [0, 1]) ==> 6
# 計算輸入 tensor 所有元素的均值/最大值/最小值/積/邏輯與/或
# 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)
tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None)
tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None) # 全部滿足條件
tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None) #至少有一個滿足條件
-------------------------------------------
# 分界線以上和 Numpy 中相應的用法完全一緻
-------------------------------------------
# inputs 為一 list, 計算 list 中所有元素的累計和，
# tf.add(x, y， name=None)隻能計算兩個元素的和，此函數相當于擴充了其功能
tf.accumulate_n(inputs, shape=None, tensor_dtype=None, name=None)
# Computes log(sum(exp(elements across dimensions of a tensor)))
tf.reduce_logsumexp(input_tensor, axis=None, keep_dims=False, name=None)
# Computes number of nonzero elements across dimensions of a tensor
tf.count_nonzero(input_tensor, axis=None, keep_dims=False, name=None) 八、Scan：perform scans (running totals) across one axis of a tensor
# Compute the cumulative sum of the tensor x along axis
tf.cumsum(x, axis=0, exclusive=False, reverse=False, name=None)
# Eg:
tf.cumsum([a, b, c]) # => [a, a + b, a + b + c]
tf.cumsum([a, b, c], exclusive=True) # => [0, a, a + b]
tf.cumsum([a, b, c], reverse=True) # => [a + b + c, b + c, c]
tf.cumsum([a, b, c], exclusive=True, reverse=True) # => [b + c, c, 0]
# Compute the cumulative product of the tensor x along axis
tf.cumprod(x, axis=0, exclusive=False, reverse=False, name=None) 九、Segmentation
沿着第一維(x 軸)根據 segment_ids(list)分割好相應的資料後再進行操作
# Computes the sum/mean/max/min/prod along segments of a tensor
tf.segment_sum(data, segment_ids, name=None)
# Eg:
m = tf.constant([5,1,7,2,3,4,1,3])
s_id = [0,0,0,1,2,2,3,3]
s.run(tf.segment_sum(m, segment_ids=s_id))
>array([13, 2, 7, 4], dtype=int32)
tf.segment_mean(data, segment_ids, name=None)
tf.segment_max(data, segment_ids, name=None)
tf.segment_min(data, segment_ids, name=None)
tf.segment_prod(data, segment_ids, name=None)
# 其它
tf.unsorted_segment_sum
tf.sparse_segment_sum
tf.sparse_segment_mean
tf.sparse_segment_sqrt_n 十、 序列比較與索引提取
# 比較兩個 list 或者 string 的不同，并傳回不同的值和索引
tf.setdiff1d(x, y, index_dtype=tf.int32, name=None)
# 傳回 x 中的唯一值所組成的tensor 和原 tensor 中元素在現 tensor 中的索引
tf.unique(x, out_idx=None, name=None)
# x if condition else y, condition 為 bool 類型的，可用tf.equal()等來表示
# x 和 y 的形狀和資料類型必須一緻
tf.where(condition, x=None, y=None, name=None)
# 傳回沿着坐标軸方向的最大/最小值的索引
tf.argmax(input, axis=None, name=None, output_type=tf.int64)
tf.argmin(input, axis=None, name=None, output_type=tf.int64)
# x 的值當作 y 的索引，range(len(x)) 索引當作 y 的值
# y[x[i]] = i for i in [0, 1, ..., len(x) - 1]
tf.invert_permutation(x, name=None)
# 其它
tf.edit_distance 參考文獻：
https://blog.csdn.net/zywvvd/article/details/78593618
https://blog.csdn.net/vcvycy/article/details/78489378
轉載于:https://www.cnblogs.com/hejunlin1992/p/9116477.html
![2021年危險化學品經營機關安全管理人員考試題庫及危險化學品經營機關安全管理人員考試技巧[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)