Tensorflow 2.0 常见函数用法（一）

文章目录

[0. 基础用法](#0. 基础用法)
[1. tf.cast](#1. tf.cast)
[2. tf.keras.layers.Dense](#2. tf.keras.layers.Dense)
[3. tf.variable_scope](#3. tf.variable_scope)
[4. tf.squeeze](#4. tf.squeeze)
[5. tf.math.multiply](#5. tf.math.multiply)

0. 基础用法

Tensorflow 的用法不定期更新遇到的一些用法，之前已经包含了基础用法参考这里，具体包含如下图的方法：

本文介绍其他常见的方法。

1. tf.cast

张量类型强制转换

官方用法：

python 复制代码

tf.cast(
    x, dtype, name=None
)

示例：

python 复制代码

x = tf.constant([1.8, 2.2], dtype=tf.float32)
print(tf.cast(x, tf.int32))

# 输出
tf.Tensor([1 2], shape=(2,), dtype=int32)

2. tf.keras.layers.Dense

构建一个全连接层

在1.0中是 tf.layers.dense ，2.0中可以用下面方法兼容：

python 复制代码

import tensorflow.compat.v1 as tf
tf.layers.dense(xxx)

官方用法：

python 复制代码

tf.keras.layers.Dense(
    units,
    activation=None,
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='zeros',
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

3. tf.variable_scope

这是 v1 版本的用法，用于管理变量

官方用法：

python 复制代码

tf.compat.v1.variable_scope(
    name_or_scope,
    default_name=None,
    values=None,
    initializer=None,
    regularizer=None,
    caching_device=None,
    partitioner=None,
    custom_getter=None,
    reuse=None,
    dtype=None,
    use_resource=None,
    constraint=None,
    auxiliary_name_scope=True
)

示例：

python 复制代码

import tensorflow as tf
with tf.variable_scope("one"):
    o=tf.get_variable("f",[1])
with tf.variable_scope("two"):
    o1=tf.get_variable("f",[1])

# 抛错，因为变量的作用范围不一样
# 一个作用域是one/f，一个作用域是two/f
assert o == o1

4. tf.squeeze

从张量的形状中移除大小为1的维度。该函数返回一个张量，这个张量是将原始input中所有维度为1的那些维都删掉的结果。

axis 可以用来指定要删掉的为1的维度，此处要注意指定的维度必须确保其是1，否则会报错。

官方用法：

python 复制代码

tf.squeeze(
    input, axis=None, name=None
)

示例：

python 复制代码

# 注意，a的shape是1*6，即存在一个大小为1的维度
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[1, 6])
print(a)
b = tf.squeeze(a, [0]) # 删除第0个维度为1的
# b = tf.squeeze(a) 的结果是一样的
print(b)

# 输出
tf.Tensor([[1 2 3 4 5 6]], shape=(1, 6), dtype=int32)
tf.Tensor([1 2 3 4 5 6], shape=(6,), dtype=int32)

python 复制代码

a = tf.constant([1, 2, 3, 4, 5, 6], shape=[6, 1])
print(a)
b = tf.squeeze(a, [1])
print(b)

# 输出
tf.Tensor(
[[1]
 [2]
 [3]
 [4]
 [5]
 [6]], shape=(6, 1), dtype=int32)
tf.Tensor([1 2 3 4 5 6], shape=(6,), dtype=int32)

python 复制代码

a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])
print(a)
b = tf.squeeze(a) # 如果不存在大小为1的维度，那么保持不变
print(b)

# 输出
tf.Tensor(
[[1 2 3]
 [4 5 6]], shape=(2, 3), dtype=int32)
tf.Tensor(
[[1 2 3]
 [4 5 6]], shape=(2, 3), dtype=int32)

5. tf.math.multiply

元素相乘

在 1.0 中是 tf.multiply
官方用法：

python 复制代码

tf.math.multiply(
    x, y, name=None
)

示例：

python 复制代码

a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])
print(tf.multiply(a, 2))
print(tf.multiply(a, a))

# 输出
tf.Tensor(
[[ 2  4  6]
 [ 8 10 12]], shape=(2, 3), dtype=int32)

tf.Tensor(
[[ 1  4  9]
 [16 25 36]], shape=(2, 3), dtype=int32)

python 复制代码

x = tf.ones([1, 2]);
y = tf.ones([2, 1]);
print(x * y)  # Taking advantage of operator overriding
print(tf.multiply(x, y))

# 输出，如果维度不一致，会尝试匹配维度
tf.Tensor(
[[1. 1.]
 [1. 1.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[1. 1.]
 [1. 1.]], shape=(2, 2), dtype=float32)