Arithmetic Operators

tf.add、tf.subtract、tf.multiply、tf.scalar_mul、tf.div、tf.divide、tf.truediv、tf.floordiv、tf.realdiv、tf.truncatediv、tf.floor_div、tf.truncatemod、tf.floormod、tf.mod、tf.cross

# coding=utf-8import tensorflow as tfx = tf.constant([[10, 20]], dtype=tf.float32) y = tf.constant([[3, 4]], dtype=tf.float32)with tf.Session() as sess:# 對應元素 相加print '\ntf.add(x, y) : ', sess.run(tf.add(x, y))# 對應元素 相減print '\ntf.subtract(x, y) : ', sess.run(tf.subtract(x, y))# 對應元素 相乘print '\ntf.multiply(x, y) : ', sess.run(tf.multiply(x, y))# 所有元素 等比例放大print '\ntf.scalar_mul(9.0, x) : ', sess.run(tf.scalar_mul(9.0, x))# 對應元素 相除print '\ntf.div(x, y) : ', sess.run(tf.div(x, y))# 對應元素 相除print '\ntf.divide(x, y) : ', sess.run(tf.divide(x, y))# 對應元素 相除print '\ntf.truediv(x, y) : ', sess.run(tf.truediv(x, y))# 對應元素 地板除print '\ntf.floordiv(x, y) : ', sess.run(tf.floordiv(x, y))# 對應元素 截斷除 取余print '\ntf.truncatemod(x, y) : ', sess.run(tf.truncatemod(x, y))# 對應元素 地板除 取余print '\ntf.floormod(x, y) : ', sess.run(tf.floormod(x, y))# 對應元素 相除 取余print '\ntf.mod(x, y) : ', sess.run(tf.mod(x, y))# 兩組 3元素向量的tensor 交叉乘print '\ntf.cross([[10, 20, 30]], [[1, 2, 3]]) : ', sess.run(tf.cross([[10, 20, 30]], [[1, 2, 1]])) tf.add(x, y) : [[ 13. 24.]]tf.subtract(x, y) : [[ 7. 16.]]tf.multiply(x, y) : [[ 30. 80.]]tf.scalar_mul(9.0, x) : [[ 90. 180.]]tf.div(x, y) : [[ 3.33333325 5. ]]tf.divide(x, y) : [[ 3.33333325 5. ]]tf.truediv(x, y) : [[ 3.33333325 5. ]]tf.floordiv(x, y) : [[ 3. 5.]]tf.truncatemod(x, y) : [[ 1. 0.]]tf.floormod(x, y) : [[ 1. 0.]]tf.mod(x, y) : [[ 1. 0.]]tf.cross([[10, 20, 30]], [[1, 2, 3]]) : [[-40 20 0]]

---

Basic Math Functions

tf.add_n、tf.abs、tf.negative、tf.sign、tf.reciprocal、tf.square、tf.round、tf.sqrt、tf.rsqrt、tf.pow、tf.exp、tf.expm1、tf.log、tf.log1p、tf.ceil、tf.floor、tf.maximum、tf.minimum、tf.cos、tf.sin、tf.lbeta、tf.tan、tf.acos、tf.asin、tf.atan、tf.cosh、tf.sinh、tf.asinh、tf.acosh、tf.atanh、tf.lgamma、tf.digamma、tf.erf、tf.erfc、tf.squared_difference、tf.rint

# coding=utf-8import tensorflow as tfx = tf.constant([[-1.5, 0, 2]], dtype=tf.float32) y = tf.constant([[2, 0, 1]], dtype=tf.float32)with tf.Session() as sess:# 對應元素 相加print '\ntf.add_n([x, y]) : ', sess.run(tf.add_n([x, y]))# 求 絕對值print '\ntf.abs(x) : ', sess.run(tf.abs(x))# 求 相反數print '\ntf.negative(x) : ', sess.run(tf.negative(x))# 求 符號print '\ntf.sign(x) : ', sess.run(tf.sign(x))# 求 倒數print '\ntf.reciprocal(x) : ', sess.run(tf.reciprocal(x))# 求 平方print '\ntf.square(x) : ', sess.run(tf.square(x))# 求 各元素各自距離最近的整數；若在中間，則取偶數值print '\ntf.round(x) : ', sess.run(tf.round(x))# 求 平方根print '\ntf.sqrt(x) : ', sess.run(tf.sqrt(x))# 求 平方根的倒數print '\ntf.rsqrt(x) : ', sess.run(tf.rsqrt(x))# 求 x各元素的y各元素次方print '\ntf.pow(x) : ', sess.run(tf.pow(x, y))# 求 自然數指數，即e^xprint '\ntf.exp(x) : ', sess.run(tf.exp(x))# 求 自然指數減1，即e^x-1print '\ntf.expm1(x) : ', sess.run(tf.expm1(x))# 求 自然對數print '\ntf.log(x) : ', sess.run(tf.log(x))# 求 加1后的自然對數print '\ntf.log1p(x) : ', sess.run(tf.log1p(x))# 求 天花板整數print '\ntf.ceil(x) : ', sess.run(tf.ceil(x))# 求 地板整數print '\ntf.floor(x) : ', sess.run(tf.floor(x))# 求 各對應位置 上的 最大值print '\ntf.maximum(x) : ', sess.run(tf.maximum(x, y))# 求 各對應位置 上的 最小值print '\ntf.minimum(x) : ', sess.run(tf.minimum(x, y))# 求 cos(x)print '\ntf.cos(x) : ', sess.run(tf.cos(x))# 求 sin(x)print '\ntf.sin(x) : ', sess.run(tf.sin(x))# 求 ln(|Beta(x)|), 并以最末尺度進行歸納。print '\ntf.lbeta(x) : ', sess.run(tf.lbeta(x))# 求 tan(x)print '\ntf.tan(x) : ', sess.run(tf.tan(x))# 求 acos(x)print '\ntf.acos(x) : ', sess.run(tf.acos(x))# 求 asin(x)print '\ntf.asin(x) : ', sess.run(tf.asin(x))# 求 atan(x)print '\ntf.atan(x) : ', sess.run(tf.atan(x))# 求 cosh(x)print '\ntf.cosh(x) : ', sess.run(tf.cosh(x))# 求 sinh(x)print '\ntf.sinh(x) : ', sess.run(tf.sinh(x))# 求 asinh(x)print '\ntf.asinh(x) : ', sess.run(tf.asinh(x))# 求 acosh(x)print '\ntf.acosh(x) : ', sess.run(tf.acosh(x))# 求 atanh(x)print '\ntf.atanh(x) : ', sess.run(tf.atanh(x))# 求 ln(gamma(x))print '\ntf.lgamma(x) : ', sess.run(tf.lgamma(x))# 求 lgamma的導數，即gamma‘/gammaprint '\ntf.digamma(x) : ', sess.run(tf.digamma(x))# 求 高斯誤差print '\ntf.erf(x) : ', sess.run(tf.erf(x))# 求 高斯互補誤差print '\ntf.erfc(x) : ', sess.run(tf.erfc(x))# 求 (x-y)(x-y)print '\ntf.squared_difference(x) : ', sess.run(tf.squared_difference(x, y))# 求 離x最近的整數，若為中間值，取偶數值。print '\ntf.rint(x) : ', sess.run(tf.rint(x)) tf.add_n([x, y]) : [[ 0.5 0. 3. ]]tf.abs(x) : [[ 1.5 0. 2. ]]tf.negative(x) : [[ 1.5 -0. -2. ]]tf.sign(x) : [[-1. 0. 1.]]tf.reciprocal(x) : [[-0.66666669 inf 0.5 ]]tf.square(x) : [[ 2.25 0. 4. ]]tf.round(x) : [[-2. 0. 2.]]tf.sqrt(x) : [[ nan 0. 1.41421354]]tf.rsqrt(x) : [[ nan inf 0.70710677]]tf.pow(x) : [[ 2.25 1. 2. ]]tf.exp(x) : [[ 0.22313017 1. 7.38905621]]tf.expm1(x) : [[-0.77686983 0. 6.38905621]]tf.log(x) : [[ nan -inf 0.69314718]]tf.log1p(x) : [[ nan 0. 1.09861231]]tf.ceil(x) : [[-1. 0. 2.]]tf.floor(x) : [[-2. 0. 2.]]tf.maximum(x) : [[ 2. 0. 2.]]tf.minimum(x) : [[-1.5 0. 1. ]]tf.cos(x) : [[ 0.0707372 1. -0.41614684]]tf.sin(x) : [[-0.997495 0. 0.90929741]]tf.lbeta(x) : [ inf]tf.tan(x) : [[-14.1014204 0. -2.18503976]]tf.acos(x) : [[ nan 1.57079637 nan]]tf.asin(x) : [[ nan 0. nan]]tf.atan(x) : [[-0.98279375 0. 1.10714877]]tf.cosh(x) : [[ 2.3524096 1. 3.76219583]]tf.sinh(x) : [[-2.12927938 0. 3.62686038]]tf.asinh(x) : [[-1.19476318 0. 1.44363546]]tf.acosh(x) : [[ nan nan 1.31695795]]tf.atanh(x) : [[ nan 0. nan]]tf.lgamma(x) : [[ 0.86004704 inf 0. ]]tf.digamma(x) : [[ 0.70315683 inf 0.42278421]]tf.erf(x) : [[-0.96610516 0. 0.99532229]]tf.erfc(x) : [[ 1.9661051 1. 0.00467773]]tf.squared_difference(x) : [[ 12.25 0. 1. ]]tf.rint(x) : [[-2. 0. 2.]]

---

Matrix Math Functions

tf.diag、tf.diag_part、tf.trace、tf.transpose(a, perm=None)、tf.eye、tf.matrix_diag、tf.matrix_diag_part、tf.matrix_band_part、tf.matrix_set_diag、tf.matrix_transpose、tf.matmul、tf.norm、tf.matrix_determinant、tf.matrix_inverse、tf.cholesky、tf.matrix_triangular_solve、tf.matrix_solve_ls、tf.qr、tf.self_adjoint_eig、tf.self_adjoint_eigvals、tf.svd

# coding=utf-8 import tensorflow as tfx = tf.constant([[1,5,0],[0,2,0],[0,0,3]]) x_f = tf.cast(x, tf.float32) y = tf.constant([10, 20, 30])with tf.Session() as sess:# 返回 對角矩陣print '\ntf.diag(y) : \n', sess.run(tf.diag(y))# 返回 對角陣的 對角元素print '\ntf.diag_part(x) : \n', sess.run(tf.diag_part(x))# 返回 矩陣的 跡print '\ntf.trace(x) : \n', sess.run(tf.trace(x))# 返回 矩陣的 轉置。 perm參數項: x的尺寸排列順序，默認為None。print '\ntf.transpose(x) : \n', sess.run(tf.transpose(x))# 返回 單位矩陣print '\ntf.eye(3) : \n', sess.run(tf.eye(3))# 根據對角值 返回 一批對角矩陣print '\ntf.matrix_diag([[1,2,3],[4,5,6]]) : \n', sess.run(tf.matrix_diag([[1,2,3],[4,5,6]]))# 返回 批對角陣 的 對角元素print '\ntf.matrix_diag_part([x, x]) : \n', sess.run(tf.matrix_diag_part([x, x]))# 返回矩陣的 上三角矩陣print '\ntf.matrix_band_part(x, 0, -1) : \n', sess.run(tf.matrix_band_part(x, 0, -1))# 返回矩陣的 下三角矩陣print '\ntf.matrix_band_part(x, -1, 0) : \n', sess.run(tf.matrix_band_part(x, -1, 0))# 返回矩陣的 對角矩陣print '\ntf.matrix_band_part(x, 0, 0) : \n', sess.run(tf.matrix_band_part(x, 0, 0))# 將輸入矩陣的對角元素置換為對角元素print '\ntf.matrix_set_diag(x, y) : \n', sess.run(tf.matrix_set_diag(x, y))# 返回 轉置矩陣print '\ntf.matrix_transpose(x) : \n', sess.run(tf.matrix_transpose(x))# 矩陣乘法print '\ntf.matmul(x, x) : \n', sess.run(tf.matmul(x, x))# 求 范數print '\ntf.norm(x_f) : \n', sess.run(tf.norm(x_f))# 求 行列式print '\ntf.matrix_determinant(x_f) : \n', sess.run(tf.matrix_determinant(x_f))# 求 逆矩陣print '\ntf.matrix_inverse(x_f) : \n', sess.run(tf.matrix_inverse(x_f))# 進行 cholesky分解print '\ntf.cholesky(tf.constant([[2, -1], [-1, 5]], dtype=tf.float32))) : \n', sess.run(tf.cholesky(tf.constant([[2, -1], [-1, 5]], dtype=tf.float32)))# 對矩陣進行 qr分解print '\ntf.qr(x_f) : \n', sess.run(tf.qr(x_f))# 求取 特征值 和 特征向量print '\ntf.tf.self_adjoint_eig(x_f) : \n', sess.run(tf.self_adjoint_eig(x_f))# 計算 多個矩陣 的 特征值print '\ntf.self_adjoint_eigvals([x_f, x_f]) : \n', sess.run(tf.self_adjoint_eigvals([x_f, x_f]))# 進行 奇異值分解print '\ntf.svd(x_f) : \n', sess.run(tf.svd(x_f)) tf.diag(y) : [[10 0 0][ 0 20 0][ 0 0 30]]tf.diag_part(x) : [1 2 3]tf.trace(x) : 6tf.transpose(x) : [[1 0 0][5 2 0][0 0 3]]tf.eye(3) : [[ 1. 0. 0.][ 0. 1. 0.][ 0. 0. 1.]]tf.matrix_diag([[1,2,3],[4,5,6]]) : [[[1 0 0][0 2 0][0 0 3]][[4 0 0][0 5 0][0 0 6]]]tf.matrix_diag_part([x, x]) : [[1 2 3][1 2 3]]tf.matrix_band_part(x, 0, -1) : [[1 5 0][0 2 0][0 0 3]]tf.matrix_band_part(x, -1, 0) : [[1 0 0][0 2 0][0 0 3]]tf.matrix_band_part(x, 0, 0) : [[1 0 0][0 2 0][0 0 3]]tf.matrix_set_diag(x, y) : [[10 5 0][ 0 20 0][ 0 0 30]]tf.matrix_transpose(x) : [[1 0 0][5 2 0][0 0 3]]tf.matmul(x, x) : [[ 1 15 0][ 0 4 0][ 0 0 9]]tf.norm(x_f) : 6.245tf.matrix_determinant(x_f) : 6.0tf.matrix_inverse(x_f) : [[ 1. -2.5 0. ][ 0. 0.5 0. ][ 0. 0. 0.33333334]]tf.cholesky(tf.constant([[2, -1], [-1, 5]], dtype=tf.float32))) : [[ 1.41421354 0. ][-0.70710677 2.12132025]]tf.qr(x_f) : Qr(q=array([[ 1., 0., 0.],[ 0., 1., 0.],[ 0., 0., 1.]], dtype=float32), r=array([[ 1., 5., 0.],[ 0., 2., 0.],[ 0., 0., 3.]], dtype=float32))tf.tf.self_adjoint_eig(x_f) : (array([ 1., 2., 3.], dtype=float32), array([[ 1., 0., 0.],[ 0., 1., 0.],[ 0., 0., 1.]], dtype=float32))tf.self_adjoint_eigvals([x_f, x_f]) : [[ 1. 2. 3.][ 1. 2. 3.]]tf.svd(x_f) : (array([ 5.46498585, 3. , 0.36596629], dtype=float32), array([[ 0.93272191, 0. , 0.36059672],[ 0.36059672, 0. , -0.93272191],[ 0. , 1. , 0. ]], dtype=float32), array([[ 0.17067236, 0. , 0.9853279 ],[ 0.9853279 , 0. , -0.17067236],[ 0. , 1. , 0. ]], dtype=float32))

---

Tensor Math Function

tf.tensordot

# coding=utf-8 import tensorflow as tfx = tf.constant([[1,5,0],[0,2,0],[0,0,3]]) x_f = tf.cast(x, tf.float32) y = tf.constant([10, 20, 30])with tf.Session() as sess:# 同numpy.tensordot，根據axis計算點乘。輸入：axes=1或axes=[[1],[0]]，即為矩陣乘。print '\ntf.tensordot(x, x, axes=1) : \n', sess.run(tf.tensordot(x, x, axes=1)) tf.tensordot(x, x, axes=1) : [[ 1 15 0][ 0 4 0][ 0 0 9]]

---

Complex Number Functions

tf.complex、tf.conj、tf.imag、tf.real

# coding=utf-8 import tensorflow as tfx = tf.constant([[1,5,0],[0,2,0],[0,0,3]]) x_f = tf.cast(x, tf.float32) y = tf.constant([10, 20, 30])with tf.Session() as sess:# 將實數 轉化為 復數print '\ntf.complex(x_f, x_f) : \n', sess.run(tf.complex(x_f, x_f))# 返回 x的 共軛復數print '\ntf.conj(tf.constant([1+2j, 2-3j])) : \n', sess.run(tf.conj(tf.constant([1+2j,2-3j])))# 返回 虛數部分print '\ntf.imag(tf.constant([1+2j,2-3j])): \n', sess.run(tf.imag(tf.constant([1+2j,2-3j])))# 返回 實數部分print '\ntf.real(tf.constant([1+2j,2-3j])): \n', sess.run(tf.real(tf.constant([1+2j,2-3j]))) tf.complex(x_f, x_f) : [[ 1.+1.j 5.+5.j 0.+0.j][ 0.+0.j 2.+2.j 0.+0.j][ 0.+0.j 0.+0.j 3.+3.j]]tf.conj(tf.constant([1+2j, 2-3j])) : [ 1.-2.j 2.+3.j]tf.imag(tf.constant([1+2j,2-3j])): [ 2. -3.]tf.real(tf.constant([1+2j,2-3j])): [ 1. 2.]

---

Reduction

tf.reduce_sum、tf.reduce_prod、tf.reduce_min、tf.reduce_max、tf.reduce_mean、tf.reduce_all、tf.reduce_any、tf.reduce_logsumexp、tf.count_nonzero、tf.accumulate_n

# coding=utf-8 import tensorflow as tfx = tf.constant(range(1, 10), shape=[3, 3]) x_bool = tf.constant([[True,True,False,False],[True,False,False,True]])with tf.Session() as sess:# 沿著維度axis 計算 元素和 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_sum(x) : \n', sess.run(tf.reduce_sum(x))print '\ntf.reduce_sum(x, axis=0) : \n', sess.run(tf.reduce_sum(x, axis=0))print '\ntf.reduce_sum(x, axis=1) : \n', sess.run(tf.reduce_sum(x, axis=1))# 沿著維度axis 計算 元素積 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_prod(x) : \n', sess.run(tf.reduce_prod(x))print '\ntf.reduce_prod(x, axis=0) : \n', sess.run(tf.reduce_prod(x, axis=0))print '\ntf.reduce_prod(x, axis=1) : \n', sess.run(tf.reduce_prod(x, axis=1))# 沿著維度axis 計算 最小值 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_min(x) : \n', sess.run(tf.reduce_min(x))print '\ntf.reduce_min(x, axis=0) : \n', sess.run(tf.reduce_min(x, axis=0))print '\ntf.reduce_min(x, axis=1) : \n', sess.run(tf.reduce_min(x, axis=1))# 沿著維度axis 計算 最大值 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_max(x) : \n', sess.run(tf.reduce_max(x))print '\ntf.reduce_max(x, axis=0) : \n', sess.run(tf.reduce_max(x, axis=0))print '\ntf.reduce_max(x, axis=1) : \n', sess.run(tf.reduce_max(x, axis=1))# 沿著維度axis 計算 均值 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_mean(x) : \n', sess.run(tf.reduce_mean(x))print '\ntf.reduce_mean(x, axis=0) : \n', sess.run(tf.reduce_mean(x, axis=0))print '\ntf.reduce_mean(x, axis=1) : \n', sess.run(tf.reduce_mean(x, axis=1))# 沿著維度axis 計算 邏輯與 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_all(x_bool) : \n', sess.run(tf.reduce_all(x_bool))print '\ntf.reduce_all(x_bool, ax_boolis=0) : \n', sess.run(tf.reduce_all(x_bool, axis=0))print '\ntf.reduce_all(x_bool, ax_boolis=1) : \n', sess.run(tf.reduce_all(x_bool, axis=1))# 沿著維度axis 計算 邏輯或 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_any(x_bool) : \n', sess.run(tf.reduce_any(x_bool))print '\ntf.reduce_any(x_bool, ax_boolis=0) : \n', sess.run(tf.reduce_any(x_bool, axis=0))print '\ntf.reduce_any(x_bool, ax_boolis=1) : \n', sess.run(tf.reduce_any(x_bool, axis=1))# 沿著維度axis 計算 log(sum(exp())) 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。print '\ntf.reduce_min(x) : \n', sess.run(tf.reduce_min(x))print '\ntf.reduce_min(x, axis=0) : \n', sess.run(tf.reduce_min(x, axis=0))print '\ntf.reduce_min(x, axis=1) : \n', sess.run(tf.reduce_min(x, axis=1))# 沿著維度axis 計算 非0個數 。axis=None 時沿所有維度求和；keep_dims=True 時階數保持不變。a = tf.constant([[0,0,0], [0,1,2]])print '\ntf.count_nonzero(a) : \n', sess.run(tf.count_nonzero(a))print '\ntf.count_nonzero(a, axis=0) : \n', sess.run(tf.count_nonzero(a, axis=0))print '\ntf.count_nonzero(a, axis=1) : \n', sess.run(tf.count_nonzero(a, axis=1))# 相對位置 元素相加print '\ntf.accumulate_n([x, x]) : \n', sess.run(tf.accumulate_n([x, x])) tf.reduce_sum(x) : 45tf.reduce_sum(x, axis=0) : [12 15 18]tf.reduce_sum(x, axis=1) : [ 6 15 24]tf.reduce_prod(x) : 362880tf.reduce_prod(x, axis=0) : [ 28 80 162]tf.reduce_prod(x, axis=1) : [ 6 120 504]tf.reduce_min(x) : 1tf.reduce_min(x, axis=0) : [1 2 3]tf.reduce_min(x, axis=1) : [1 4 7]tf.reduce_max(x) : 9tf.reduce_max(x, axis=0) : [7 8 9]tf.reduce_max(x, axis=1) : [3 6 9]tf.reduce_mean(x) : 5tf.reduce_mean(x, axis=0) : [4 5 6]tf.reduce_mean(x, axis=1) : [2 5 8]tf.reduce_all(x_bool) : Falsetf.reduce_all(x_bool, ax_boolis=0) : [ True False False False]tf.reduce_all(x_bool, ax_boolis=1) : [False False]tf.reduce_any(x_bool) : Truetf.reduce_any(x_bool, ax_boolis=0) : [ True True False True]tf.reduce_any(x_bool, ax_boolis=1) : [ True True]tf.reduce_min(x) : 1tf.reduce_min(x, axis=0) : [1 2 3]tf.reduce_min(x, axis=1) : [1 4 7]tf.count_nonzero(a) : 2tf.count_nonzero(a, axis=0) : [0 1 1]tf.count_nonzero(a, axis=1) : [0 2]tf.accumulate_n([x, x]) : [[ 2 4 6][ 8 10 12][14 16 18]]

---

Scan

tf.cumsum、tf.cumprod

# coding=utf-8 import tensorflow as tfx = tf.constant(range(1, 10), shape=[3, 3]) x_bool = tf.constant([[True,True,False,False],[True,False,False,True]])with tf.Session() as sess:# 沿著維度axis 進行 累加 。axis=None 時沿所有維度累加。print '\ntf.cumsum(x) : \n', sess.run(tf.cumsum(x))print '\ntf.cumsum(x, axis=0) : \n', sess.run(tf.cumsum(x, axis=0))print '\ntf.cumsum(x, axis=1) : \n', sess.run(tf.cumsum(x, axis=1))# 沿著維度axis 進行 累積 。axis=None 時沿所有維度累加。print '\ntf.cumprod(x) : \n', sess.run(tf.cumprod(x))print '\ntf.cumprod(x, axis=0) : \n', sess.run(tf.cumprod(x, axis=0))print '\ntf.cumprod(x, axis=1) : \n', sess.run(tf.cumprod(x, axis=1)) tf.cumsum(x) : [[ 1 2 3][ 5 7 9][12 15 18]]tf.cumsum(x, axis=0) : [[ 1 2 3][ 5 7 9][12 15 18]]tf.cumsum(x, axis=1) : [[ 1 3 6][ 4 9 15][ 7 15 24]]tf.cumprod(x) : [[ 1 2 3][ 4 10 18][ 28 80 162]]tf.cumprod(x, axis=0) : [[ 1 2 3][ 4 10 18][ 28 80 162]]tf.cumprod(x, axis=1) : [[ 1 2 6][ 4 20 120][ 7 56 504]]

---

Segmentation

---

Sequence Comparison and Indexing

tf.argmin、tf.argmax

# coding=utf-8 import tensorflow as tfx = tf.constant(range(1, 10), shape=[3, 3]) x_bool = tf.constant([[True,True,False,False],[True,False,False,True]])with tf.Session() as sess:# 返回 沿axis維度 最小值 的 下標。axis=None 時 返回 全局 最小值 的下標。print '\ntf.argmin(x) : \n', sess.run(tf.argmin(x))print '\ntf.argmin(x, axis=0) : \n', sess.run(tf.argmin(x, axis=0))print '\ntf.argmin(x, axis=1) : \n', sess.run(tf.argmin(x, axis=1))# 返回 沿axis維度 最大值 的 下標。axis=None 時 返回 全局 最大值 的下標。print '\ntf.argmax(x) : \n', sess.run(tf.argmax(x))print '\ntf.argmax(x, axis=0) : \n', sess.run(tf.argmax(x, axis=0))print '\ntf.argmax(x, axis=1) : \n', sess.run(tf.argmax(x, axis=1)) tf.argmin(x) : [0 0 0]tf.argmin(x, axis=0) : [0 0 0]tf.argmin(x, axis=1) : [0 0 0]tf.argmax(x) : [2 2 2]tf.argmax(x, axis=0) : [2 2 2]tf.argmax(x, axis=1) : [2 2 2]

---

---

總結

以上是生活随笔為你收集整理的tensorflow编程: Math的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。