tensorflow 乱七八糟语法记录

tf.nn.in_top_k

tf.nn.in_top_k(predictions, targets, k, name=None)
 '''

    predictions: 你的预测结果（一般也就是你的网络输出值）大小是预测样本的数量乘以输出的维度`

    target: 实际样本类别的标签，大小是样本数量的个数`

    k: 每个样本中前K个最大的数里面（序号）是否包含对应target中的值`

'''

import tensorflow as tf

A = tf.Variable([[0.8, 0.4, 0.5, 0.6],[0.1, 0.9, 0.2, 0.4],[0.1, 0.9, 0.4, 0.2]])

B = tf.Variable([1, 1, 2])

result = tf.nn.in_top_k(A, B, 2)

with tf.Session() as sess:

sess.run(tf.global_variables_initializer())

print(sess.run(A))

print(sess.run(B))

print(sess.run(result))

# k=1 [False True False]

# k=2 [False True True]


'''

    解释：

     k取1的时候：
     A中第一行元素的最大一个值为0.8,索引（序号）是0,而B是1,不包含B,所以返回False. 
     A中第二行元素的最大一个值为0.9,索引（序号）是1,而B是1,包含B,所以返回True. 
     A中第三行元素的最大一个值为0.9,索引（序号）是1,而B是2,不包含B,所以返回False. 

     k取2的时候：
     A中第一行元素的最大两个值为0.8,0.6,索引（序号）是0,3,而B是1,不包含B，所以返回False. 
     A中第二行元素的最大两个值为0.9,0.4,索引（序号）是1,3,而B是1,包含B,所以返回True.
     A中第三行元素的最大两个值为0.9,0.4,索引（序号）是1,2,而B是2,包含B,所以返回True.

'''

tf.reduce_mean()

reduce_mean(input_tensor,
            axis=None,
            keep_dims=False,
            name=None,
            reduction_indices=None)

tf.reduce_mean函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
第一个参数input_tensor： 输入的待降维的tensor; 第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值; 第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度; 第四个参数name： 操作的名称; 第五个参数reduction_indices：在以前版本中用来指定轴，已弃用;
类似函数

• tf.reduce_sum : 计算tensor指定轴方向上的所有元素的累加和;
• tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
• tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
• tf.reduce_any : 计算tensor指定轴方向上的各个元素的逻辑或（or运算）;