TensorFlow常用函数（三）
上一篇：TensorFlow常用函数（二）
3、tf.get_connection():从一个结合中取出全部变量，返回一个列表
4、tf.GraphKeys : Graph collection中使用的标准命名定义在该类下
5、tf.identity(input,name=None):返回和input有相同形状和值的一个tensor。
6、tf.metrics.mean_iou（） : 计算语义分割指标mIoU
7、tf.rank(input,name=None):返回张量的秩，即张量的维度
8、tf.Assert(condition,data,summarize=None,name=None):根据条件打印数据
9、tf.pad(tensor,paddings,mode='CONSTANT', name=None,constant_values=0)：对图像进行填充
10、tf.shape(a) VS a.get_shape()和set_shape() VS reshape()
11、tf.reverse_v2(tensor,axis,name=None):反转张量的特定维度。
13、tf.where(condition,x=None,y=None,name=None): 根据condition返回x或y中的元素。
下一篇：TensorFlow常用函数（四）
1、tf.app.flags：命令行解析
tf.app.flags用于定义全局变量，在命令行中运行比较方便，它是google特有的风格，更常见的解析方法是argparse。tf.app.flags可以认为是对模块argparse的简单封装，它实现了python-gflags的一个功能子集。
import tensorflow as tf
flags = tf.app.flags
FLAGS = flags.FLAGS
#第一个是参数名称，第二个参数是默认值，第三个是参数描述
flags.DEFINE_enum('learning_policy', 'poly', ['poly', 'step'],'Learning rate policy for training.')
flags.DEFINE_float('base_learning_rate', .0001,'The base learning rate for model training.')
flags.DEFINE_integer('learning_rate_decay_step', 2000, 'Decay the base learning rate at a fixed step.')
flags.DEFINE_integer('train_batch_size', 12,'The number of images in each batch during training.')
flags.DEFINE_multi_integer('train_crop_size', [513, 513],'Image crop size [height, width] during training.')
flags.DEFINE_boolean('upsample_logits', True,'Upsample logits during training.')
flags.DEFINE_string('dataset', 'dataset_name','Name of the test dataset.')
def main(_):
print(FLAGS.learning_policy)
print(FLAGS.base_learning_rate)
print(FLAGS.learning_rate_decay_step)
print(FLAGS.train_batch_size)
print(FLAGS.train_crop_size)
print(FLAGS.upsample_logits)
print(FLAGS.dataset)
if __name__ == '__main__':
tf.app.run()
在命令行运行：python flags_test.py，输出为：
poly
0.0001
2000
12
[513, 513]
True
dataset_name
2、tf.device()：指定运行设备
在TensorFlow中，模型可以在本地的GPU和CPU中运行，用户可以指定模型运行的设备。通常，如果你的TensorFlow版本是GPU版本的，而且你的电脑上配置有符合条件的显卡，那么在不做任何配置的情况下，模型是默认运行在显卡下的。如果需要切换成CPU运算，可以调用tf.device(device_name)函数，其中device_name格式如/cpu:0其中的0表示设备号，TF不区分CPU的设备号，设置为0即可。GPU区分设备号/gpu:0和/gpu:1表示两张不同的显卡。
在一些情况下，我们即使是在GPU下跑模型，也会将部分Tensor储存在内存里，因为这个Tensor可能太大了，显存不够放，相比于显存，内存一般大多了，于是这个时候就常常人为指定为CPU设备。这种形式我们在一些代码中能见到。如：
with tf.device('/cpu:0'):
build_CNN() # 此时，这个CNN的Tensor是储存在内存里的，而非显存里。需要注意的是，这个方法会减少显存的负担，但是从内存把数据传输到显存中是非常慢的，这样做常常会减慢速度。
3、tf.get_connection():从一个结合中取出全部变量，返回一个列表
函数原型：get_collection(key,scope=None)
参数：
key：收集的关键。例如，tf.GraphKeys 类包含许多集合的标准名称。
scope：（可选）如果提供，则筛选结果列表为仅包含name属性匹配 re.match 使用的项目。如果一个范围是提供的，并且选择或 re. match 意味着没有特殊的令牌过滤器的范围，则不会返回没有名称属性的项。
返回值：
集合中具有给定name的值的列表，或者如果没有值已添加到该集合中，则为空列表。该列表包含按其收集顺序排列的值。
4、tf.GraphKeys : Graph collection中使用的标准命名定义在该类下
这个标准库使用各种大家所知的命名来collect和retrieve与graph关联的变量。 例如, the tf.Optimizer 这个子类默认优化的variables位于tf.GraphKeys.TRAINABLE_VARIABLES中。一些标准keys的定义如下：
GLOBAL_VARIABLES: Variable对象的默认collection，在整个分布式环境*享这个collection（model variables是这个collection的一个子集）。查看tf.global_variables()函数可以获取更多信息，我们熟悉的tf.global_variables_initializer()就是初始化这个集合内的Variables。通常情况下，所有的TRAINABLE_VARIABLES变量位于MODEL_VARIABLES中，所有的MODEL_VARIABLES变量位于GLOBAL_VARIABLES中。
LOCAL_VARIABLES: Variable对象的子集，是每个计算机中的局部变量，通常是临时变量，比如计数器couner等。
注意: 使用tf.contrib.framework.local_variable函数会将变量添加到这个collection中.更多信息请查看tf.local_variables()。
MODEL_VARIABLES: Variable对象的子集，在模型预测时会使用这些变量。注意：使用tf.contrib.framework.model_variable函数会将变量添加到这个collection中。更多信息请查看tf.model_variables()。
TRAINABLE_VARIABLES: Variable对象的子集，这个集合中的变量会被optimizer优化. 更多信息请查看tf.trainable_variables()。
SUMMARIES: 在graph中被创建的summary Tensor对象，更多信息请查看tf.summary.merge_all()。调用tf.scalar_summary系列函数时，就会向默认的collection中添加一个Operation，tf.merge_all_summaries()可以获取所有summary的操作。
QUEUE_RUNNERS: 在计算过程中，用于产生输入的QueueRunner 对象，更多信息请查看 tf.train.start_queue_runners() 。
MOVING_AVERAGE_VARIABLES: Variable对象的子集，这些变量会一些保持滑动平均，更多信息请查看 tf.moving_average_variables() 。
REGULARIZATION_LOSSES: 在计算图构建过程中的正则化损失的collection。
注意：通过调用tf.get_collection(key,scope)和通过调用tf.global_variables()、tf.trainable_variables()...等函数获取集合中的variable是等效的。
除了默认的集合，我们也可以自己创造collection组织对象。网络损失就是一类适宜对象：
创建损失不会自动添加到集合中，需要手工指定一个collection：
tf.add_to_collection("losses", l1)
tf.add_to_collection("losses", l2)
创建完成后，可以统一获取所有损失，losses是个Tensor类型的list：
losses = tf.get_collection('losses')
另一种常见操作把所有损失累加起来得到一个Tensor：
loss_total = tf.add_n(losses)
实际上，如果使用TF-Slim包的losses系列函数创建损失，会自动添加到名为”losses”的collection中。
5、tf.identity(input,name=None):返回和input有相同形状和值的一个tensor。
Args:
input: A Tensor.
name: (可选)操作名.
Returns:
A Tensor，与input有相同的形状和值.
实例如下（参考Stack Overflow）：
下面程序的功能是，做5次循环，每次循环给x加1，赋值给y，然后打印出来，所以我们预期达到的效果是输出2，3，4，5，6。
x = tf.Variable(1.0)
y = tf.Variable(0.0)
#返回一个op，表示给变量x加1的操作
x_plus_1 = tf.assign_add(x, 1)
#control_dependencies的意义是，在执行with包含的内容（在这里就是 y = x）前，
#先执行control_dependencies参数中的内容（在这里就是 x_plus_1），这里的解释不准确，先接着看。。。
with tf.control_dependencies([x_plus_1]):
y = x
init = tf.initialize_all_variables()
with tf.Session() as session:
init.run()
for i in xrange(5):
print(y.eval())#相当于sess.run(y)，按照我们的预期，由于control_dependencies的作用，所以应该执行print前都会先执行x_plus_1，但是这种情况会出问题
输出：1，1，1，1，1 可以看到，没有达到我们预期的效果，y只被赋值了一次。如果改成这样：
x = tf.Variable(1.0)
y = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)
with tf.control_dependencies([x_plus_1]):
y = tf.identity(x)#修改部分
init = tf.initialize_all_variables()
with tf.Session() as session:
init.run()
for i in xrange(5):
print(y.eval())
输出：2，3，4，5，6解释：对于control_dependencies这个管理器，只有当里面的操作是一个op时，才会生效，也就是先执行传入的参数op，再执行里面的op。而y=x仅仅是tensor的一个简单赋值，不是定义的op，所以在图中不会形成一个节点，这样该管理器就失效了。tf.identity是返回一个一模一样新的tensor的op，这会增加一个新节点到gragh中，这时control_dependencies就会生效，所以第二种情况的输出符合预期。
此外，当你想要在设备之间（比如从GPU到CPU）显式的传输tensor时，tf.identity是非常有用的。这个操作给计算图增加了发送/接收节点，当输入设备和输出设备不同时，这个操作进行了一次复制。默认情况下，当传输张量的操作发生在不同设备时，发送/接收的节点是被隐式添加到计算图中。但是在某些情况下（比如多线程或者分布式环境），使用一个单一的操作session.run()来多次获取变量值，这是非常高效和有用的。对于为变量值何时从源设备读取，tf.identity允许更多的控制。
6、tf.metrics.mean_iou（） : 计算语义分割指标mIoU
tf.meitrics下定义许多评价指标（包括准确率、召回率、AUC、mIoU等等），其中的mIoU是图像语义分割常用的指标，它首先计算每个类别的IoU，然后计算所有类别的IoU的平均值。IoU的定义如下：IoU = true_positive /（true_positive + false_positive + false_negative）。所有的预测值在一个混淆矩阵（confusion matrix）中累积，然后从这个矩阵中计算mIoU的值。为了在一个数据流上评估mIoU这个指标，这个函数返回一个用于更新变量的更新update_op操作和mIoU值，具体原理参考这里。函数原型如下：
tf.metrics.mean_iou( labels,
predictions,
num_classes,
weights=None,
metrics_collections=None,
updates_collections=None,
name=None)
Args:
labels: 真实标签的的一个tensor，它的形状为[batch size],类型为int32或int64.
predictions: 预测结果的一个tensor，它的形状为[batch size],类型为int32或int64.
num_classes: 类别总数
weights: (可选)一个tensor，它的rank要么是0，要么和label的rank相同，它必须能被广播到label。
metrics_collections: (可选)一个collection列表，mIoU将会被添加到这个列表中
updates_collections: (可选)一个collection列表，update_op将会被添加到这个列表中。
name: (可选) variable_scope名
Returns:
mean_iou: 表示mIoU的一个tensor。
update_op: 一个增加混淆矩阵的操作7、tf.rank(input,name=None):返回张量的秩，即张量的维度
# shape of tensor 't' is [2, 2, 3]
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
tf.rank(t) # 38、tf.Assert(condition,data,summarize=None,name=None):根据条件打印数据
import tensorflow as tf
x = [1, 2, 3]
y = 1
assert_op = tf.Assert(tf.less_equal(tf.reduce_max(x), 3), x)
sess = tf.Session()
# 在x中的元素小于3时，比如x=[1,2,3],不报错并在下面输出1
# 在x大于3时，比如x=[1,2,4]，抛出异常并打印x： assertion failed: [1] [2] [4]
with tf.control_dependencies([assert_op]):
print(sess.run(tf.identity(1))
9、tf.pad(tensor,paddings,mode='CONSTANT', name=None,constant_values=0)：对图像进行填充
参数介绍：
tensor：被填充的张量
paddings：填充的格式
mode：填充模式："CONSTANT"、"REFLECT"、"SYMMETRIC"
name：该操作张量的名称
constant_values：用于在"CONSTANT"模式下，设置的填充值
# 't' is [[1, 2, 3], [4, 5, 6]].
# 'paddings' is [[1, 1,], [2, 2]].
# 'constant_values' is 0.
# rank of 't' is 2.
tf.pad(t, paddings, "CONSTANT")
==>
[[0, 0, 0, 0, 0, 0, 0],
[0, 0, 1, 2, 3, 0, 0],
[0, 0, 4, 5, 6, 0, 0],
[0, 0, 0, 0, 0, 0, 0]]
'''
tf.pad的使用，[[1,1],[2,2]]中[1,1]指的是对第0维进行填充，即向上扩充一行，向下扩充一行；[2,2]指的是对第一维进行缇娜冲，
即向左扩充2列，向右扩充2列。在CONSTANT模式，按上下左右填充几行或者几列的0。paddings=[[1,1],[2,2]]的意思是向上填充一行0，
向下填充一行0，向左填充二行0，向右填充两行0
'''10、tf.shape(a) VS a.get_shape()和set_shape() VS reshape()
（1）shape和get_shape
相同点：都可以得到tensor a的尺寸
不同点：tf.shape()中a 数据的类型可以是tensor, list, array。a.get_shape()中a的数据类型只能是tensor,且返回的是一个元组（tuple） 。
import tensorflow as tf
import numpy as np
x=tf.constant([[1,2,3],[4,5,6]]
y=[[1,2,3],[4,5,6]]
z=np.arange(24).reshape([2,3,4]))
sess=tf.Session()
# tf.shape()
x_shape=tf.shape(x) # x_shape 是一个tensor
y_shape=tf.shape(y) # <tf.Tensor 'Shape_2:0' shape=(2,) dtype=int32>
z_shape=tf.shape(z) # <tf.Tensor 'Shape_5:0' shape=(3,) dtype=int32>
print sess.run(x_shape) # 结果:[2 3]
print sess.run(y_shape) # 结果:[2 3]
print sess.run(z_shape) # 结果:[2 3 4]
# a.get_shape()
x_shape=x.get_shape() # 返回的是TensorShape([Dimension(2), Dimension(3)]),不能使用 sess.run() ，
#因为返回的不是tensor 或string,而是元组
x_shape=x.get_shape().as_list() # 可以使用 as_list()得到具体的尺寸，x_shape=[2 3]
y_shape=y.get_shape() # AttributeError: 'list' object has no attribute 'get_shape'
z_shape=z.get_shape() # AttributeError: 'numpy.ndarray' object has no attribute 'get_shape'（2） set_shape()和reshape()
1）set_shape的典型用法如下：
import tensorflow as tf
x1 = tf.placeholder(tf.int32)
x1.set_shape([2，2])
print(x1.get_shape())
sess = tf.Session()
#print(sess.run(tf.shape(x1), feed_dict={x1:[0,1,2,3]}))
print(sess.run(tf.shape(x1), feed_dict={x1:[[0,1],[2,3]]}))
输出：
(2, 2)
[2 2]这代表了图中最开始没有shape的x1在使用了set_shape后，它的图中的信息已经改变了，如果取消掉注释就会报错，因为我们传入了和图不符合的参数。
2）reshape的典型用法则是这样：
import tensorflow as tf
x1 = tf.placeholder(tf.int32)
x2 = tf.reshape(x1, [2,2])
print(x1.get_shape())
sess = tf.Session()
print(sess.run(tf.shape(x2), feed_dict={x1:[0,1,2,3]}))
print(sess.run(tf.shape(x2), feed_dict={x1:[[0,1],[2,3]]}))
输出：
(2,2)
[2,2]
[2,2]即它并不是想改变图，而只是想创造一个新的tensor以供我们使用。
3）对比
import tensorflow as tf
x1 = tf.Variable([[0, 1], [2, 3]])
print(x1.get_shape())
x1 = tf.reshape(x1, [4, 1]) # if we use x1.set_shape([4, 1]),the program cannot run
print(x1.get_shape())11、tf.reverse_v2(tensor,axis,name=None):反转张量的特定维度。
参数：
tensor：一个Tensor。必须是下列类型之一：uint8，int8，uint16，int16，int32，int64，bool，half，float32，float64，complex64，complex128，string。最多可以是8-D。
axis：一个Tensor。必须是以下类型之一：int32，int64；它是1-d的。要反转的维度的指数。必须在范围[-rank(tensor), rank(tensor))内。
name：操作的名称（可选）。
# tensor 't' is [[[[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]],
# [[12, 13, 14, 15],
# [16, 17, 18, 19],
# [20, 21, 22, 23]]]]
# tensor 't' shape is [1, 2, 3, 4]
# 'dims' is [3] or 'dims' is -1
reverse(t, dims) ==> [[[[ 3, 2, 1, 0],
[ 7, 6, 5, 4],
[ 11, 10, 9, 8]],
[[15, 14, 13, 12],
[19, 18, 17, 16],
[23, 22, 21, 20]]]]
# 'dims' is '[1]' (or 'dims' is '[-3]')
reverse(t, dims) ==> [[[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]
[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]]]]
# 'dims' is '[2]' (or 'dims' is '[-2]')
reverse(t, dims) ==> [[[[8, 9, 10, 11],
[4, 5, 6, 7],
[0, 1, 2, 3]]
[[20, 21, 22, 23],
[16, 17, 18, 19],
[12, 13, 14, 15]]]]12、tf.cond(pred,true_fn = None,false_fn = None,strict = False,name = None,fn1 = None,fn2 = None):如果断言 pred 为 true 则返回 true_fn() ，否则返回 false_fn()。
参数：
pred：标量决定是否返回 true_fn 或 false_fn 结果。
true_fn：如果 pred 为 true，则被调用。
false_fn：如果 pred 为 false，则被调用。
strict：启用/禁用 “严格”模式的布尔值。
name：返回的张量的可选名称前缀。
x = tf.constant(2 )
y = tf.constant(5)
def f1 ():
return tf .multiply(x,17 )
def f2():
return tf .add (y,23)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
r = tf.cond(tf.less(x,y ), f1 , f2 )
b=tf.cond(x<y,lambda:x*x,lambda:y*y)
print (b.eval())
print (r.eval())
输出：
4
3413、tf.where(condition,x=None,y=None,name=None): 根据condition返回x或y中的元素。
如果x和y都为None，则该操作将返回condition中true元素的坐标。坐标以二维张量返回，其中第一维（行）表示真实元素的数量，第二维（列）表示真实元素的坐标。请记住，输出张量的形状可以根据输入中的真实值的多少而变化。索引以行优先顺序输出。
如果两者都不是None，则x和y必须具有相同的形状。如果x和y是标量，则condition张量必须是标量。如果x和y是更高级别的矢量，则condition必须是大小与x的第一维度相匹配的矢量，或者必须具有与x相同的形状。condition张量作为一个可以选择的掩码（mask），它根据每个元素的值来判断输出中的相应元素/行是否应从 x (如果为 true) 或 y (如果为 false)中选择。如果condition是向量，则x和y是更高级别的矩阵，那么它选择从x和y复制哪个行（外部维度）。如果condition与x和y具有相同的形状，那么它将选择从x和y复制哪个元素。
函数参数：
condition：一个bool类型的张量（Tensor）。
x：可能与condition具有相同形状的张量；如果condition的秩是1，则x可能有更高的排名，但其第一维度必须匹配condition的大小。
y：与x具有相同的形状和类型的张量。
name：操作的名称（可选）。
实例1：
import tensorflow as tf
x = [[1,2,3],[4,5,6]]
y = [[7,8,9],[10,11,12]]
condition3 = [[True,False,False],
[False,True,True]]
condition4 = [[True,False,False],
[True,True,False]]
with tf.Session() as sess:
print(sess.run(tf.where(condition3,x,y)))
print(sess.run(tf.where(condition4,x,y)))
输出：
[[ 1 8 9]
[10 5 6]]
[[ 1 8 9]
[ 4 5 12]]
实例2：
a = tf.constant([False,False,True,False,True],dtype=tf.bool)
b = tf.where(tf.equal(a,True))
sess = tf.Session()
print(sess.run(b))
结果
[[2]
[4]]
上一篇： XML DTD 文档类型定义
下一篇： DTD文档类型定义