TensorFlow经典案例5:对前4次案例的一些思考与总结

一、关于numpy的使用:

1.随机取值

In [2]: np.random.rand(3,2)
Out[2]:
array([[ 0.04287046,  0.68212741],
       [ 0.25322512,  0.50287344],
       [ 0.75530125,  0.55308281]])

2.randn 返回具有标准正态分布的样本

In [4]: np.random.randn(3,2)
Out[4]:
array([[-2.26840223, -0.24799291],
       [-0.81557012,  0.92537801],
       [ 0.04456033, -0.03864446]])

3.返回随机整数

In [8]: np.random.randint(2, size=10)
Out[8]: array([0, 1, 1, 0, 0, 1, 0, 0, 0, 0])

In [9]: np.random.randint(1, size=5)
Out[9]: array([0, 0, 0, 0, 0])

In [10]: np.random.randint(9, size=(4,5))
Out[10]:
array([[2, 5, 3, 0, 0],

       [5, 5, 8, 0, 5],
       [8, 3, 3, 8, 1],
       [5, 5, 7, 4, 3]])

4.([size]) 返回半开区间内的一个随机浮点数 [0.0, 1.0)

In [12]: np.random.random((3,5))
Out[12]:
array([[ 0.9406723 ,  0.88534251,  0.48993398,  0.04959344,  0.69200616],
       [ 0.8317934 ,  0.02332241,  0.07543021,  0.26467834,  0.29640229],
       [ 0.79139576,  0.72745639,  0.04238559,  0.15145797,  0.40844399]])

5.从给定的数字生成一个随机样本

#从np.arange(8)中选取大小问为3的样本
In [13]: np.random.choice(8,3)
Out[13]: array([0, 2, 5])

In [14]: a = [3,5,6,8,2,6,8]
In [15]: np.random.choice(a,1)
Out[15]: array([3])
In [16]: np.random.choice(a,1)
Out[16]: array([3])

In [17]: np.random.choice(a,3)
Out[17]: array([2, 6, 8])
In [18]: np.random.choice(a,4)
Out[18]: array([6, 3, 2, 8])

6.(x) 打乱x的顺序

In [22]: arr = np.arange(9)
In [23]: np.random.shuffle(arr)
In [24]: arr
Out[24]: array([6, 0, 2, 7, 1, 3, 5, 8, 4])

更多详情请参考:

二、tf.()中的参数详情

distance = tf.reduce_sum(tf.abs(tf.add(x_train,tf.negative(x_test))),reduction_indices=1)

@ >

() 是总和。由于求和的对象是,它是沿某些维度的求和。指要汇总的维度。

详细解释见下图:

三、评估函数

1.中eval函数的作用是将字符串放入一个有效的表达式中,并返回结果。

直接代码示例:

In [1]: str1 = '1+4'
In [2]: str2 = '[1,2,3,4,5,6,7]'
In [3]: str3 = '[[1,],[2],[3,]]'
In [6]: type(eval(str1))
Out[6]: int
In [7]: type(eval(str2))
Out[7]: list
In [8]: type(eval(str3))
Out[8]: list

2.中应用的.eval()函数:

 print("Accuracy:",accuracy.eval({x:mnist.test.images,y:mnist.test.labels}))

.eval() 是 .run() 的替代品,以避免变量持有会话。

常见情况如下:

mat = tf.matmul(a,b)
print(mat.eval())

图片[1]-TensorFlow经典案例5:对前4次案例的一些思考与总结-唐朝资源网

四、格式化字符串()

用法:

它将传统的 % 方法替换为 {} 和:

1、使用位置参数

关键点:位置参数从下面的例子可以看出它不受顺序约束,可以是{},只要里面有对应的参数值,参数索引从0开始,传入的位置参数列表可以是*list

>>> li = [‘hoho’,18]

>>> ‘我叫{},年龄{}’.(‘hoho’,18)

‘我叫hoho,18岁’

>>> ‘我叫{1},年龄{0}’。(10,’hoho’)

‘我叫hoho,10岁’

>>> ‘我叫{1},年龄{0} {1}’.(10,’hoho ‘)

‘我叫hoho,10岁hoho’

>>> ‘我叫{},年龄{}’.(*li)

‘我叫hoho,18岁’

2、使用关键字参数

关键点:关键字参数值必须正确可以使用字典作为关键字参数传入值,在字典前加**即可

>>> hash = {'name':'hoho','age':18}
>>> 'my name is {name},age is {age}'.format(name='hoho',age=19)
'my name is hoho,age is 19'
>>> 'my name is {name},age is {age}'.format(**hash)
'my name is hoho,age is 18'

3、填充和格式化

:[填充字符][对齐][宽度]

>>> '{0:*>10}'.format(10)  ##右对齐
'********10'
>>> '{0:*>> '{0:*^10}'.format(10)  ##居中对齐
'****10****'

4、精度和基数

>>> '{0:.2f}'.format(1/3)
'0.33'
>>> '{0:b}'.format(10)    #二进制
'1010'
>>> '{0:o}'.format(10)     #八进制
'12'
>>> '{0:x}'.format(10)     #16进制
'a'
>>> '{:,}'.format(12369132698)  #千分位格式化
'12,369,132,698'

5、使用索引

>>> li
['hoho', 18]
>>> 'name is {0[0]} age is {0[1]}'.format(li)
'name is hoho age is 18

© 版权声明
THE END
喜欢就支持一下吧
点赞11赞赏 分享
相关推荐
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容