TensorFlow 數(shù)學函數(shù)

注意：接受 Tensor 參數(shù)的函數(shù)也可以接受被 tf.convert_to_tensor 接受的任何內(nèi)容.

注意：TensorFlow 中的元素的二進制操作遵循 numpy 式廣播。

TensorFlow 算術(shù)運算符

TensorFlow 提供了幾種操作，您可以使用它們將基本算術(shù)運算符添加到圖形中。

• 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

TensorFlow 基本數(shù)學函數(shù)

TensorFlow 提供了幾種可用于向圖形添加基本數(shù)學函數(shù)的操作。

• 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.cosh
• tf.sin
• tf.lbeta
• tf.tan
• tf.acos
• tf.asin
• tf.atan
• tf.lgamma
• tf.digamma
• tf.erf
• tf.erfc
• tf.squared_difference
• tf.igamma
• tf.igammac
• tf.zeta
• tf.polygamma
• tf.betainc
• tf.rint

TensorFlow 矩陣數(shù)學函數(shù)

TensorFlow 提供了幾種操作，您可以使用它們將曲線上的線性代數(shù)函數(shù)添加到圖形中。

• tf.diag
• tf.diag_part
• tf.trace
• tf.transpose
• 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.cholesky_solve
• tf.matrix_solve
• tf.matrix_triangular_solve
• tf.matrix_solve_ls
• tf.qr
• tf.self_adjoint_eig
• tf.self_adjoint_eigvals
• tf.svd

TensorFlow 張量數(shù)學函數(shù)

TensorFlow 提供可用于向圖形添加張量函數(shù)的操作。

• tf.tensordot

TensorFlow 復數(shù)函數(shù)

TensorFlow 提供了多種操作,您可以使用它們將復數(shù)函數(shù)添加到圖形中。

• tf.complex
• tf.conj
• tf.imag
• tf.real

TensorFlow 減少張量的計算

TensorFlow 提供了幾種操作，您可以使用這些操作來執(zhí)行減少張量的各種維度的常規(guī)數(shù)學計算。

• 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
• tf.einsum

TensorFlow 張量掃描

TensorFlow 提供了幾種操作，您可以使用它們在張量的一個軸上執(zhí)行掃描(運行總計)。

• tf.cumsum
• tf.cumprod

分段

TensorFlow 提供了幾種可用于在張量片段上執(zhí)行常規(guī)數(shù)學計算的操作。這里，分割是沿著第一維度的張量的分割，即它定義從第一維度到的映射 segment_ids.segment_ids 張量應(yīng)該是第一尺寸的大小，d0與在范圍內(nèi)的連續(xù)的ID 0到k，在那里 k<d0。特別地,矩陣張量的分割是行到段的映射。

例如：

c = tf.constant([[1,2,3,4], [-1,-2,-3,-4], [5,6,7,8]])
tf.segment_sum(c, tf.constant([0, 0, 1]))
  ==>  [[0 0 0 0]
        [5 6 7 8]]

• tf.segment_sum
• tf.segment_prod
• tf.segment_min
• tf.segment_max
• tf.segment_mean
• tf.unsorted_segment_sum
• tf.sparse_segment_sum
• tf.sparse_segment_mean
• tf.sparse_segment_sqrt_n

序列比較和索引

TensorFlow 提供了幾種操作,您可以使用它們將序列比較和索引提取添加到圖形中.您可以使用這些操作來確定序列差異,并確定張量中特定值的索引.

• tf.argmin
• tf.argmax
• tf.setdiff1d
• tf.where
• tf.unique
• tf.edit_distance
• tf.invert_permutation