目录

• 一、张量裁剪
• 1.tf.maximum/minimum/clip_by_value()
• 2.tf.clip_by_norm()
• 二、张量排序
• 1.tf.sort/argsort()
• 2.tf.math.topk()
• 三、TensorFlow高阶操作
• 1.tf.where()
• 2.tf.scatter_nd()
• 3.tf.meshgrid()

一、张量裁剪

1.tf.maximum/minimum/clip_by_value()

该方法按数值裁剪，传入tensor和阈值，maximum是把数据中小于阈值的变成阈值。minimum是把数据中大于阈值的变成阈值。clip_by_value需要传入两个阈值，会把数据裁剪到阈值中间。

2.tf.clip_by_norm()

按范数裁剪，传入tensor和新的范数。通过裁剪范数，可以进行等比例放缩，使得梯度方向不变，但数值变小。通过这个方法可以对梯度进行裁剪，一次性对所有的参数的范数进行裁剪，并且保留方向。防止梯度爆炸，梯度弥散。

二、张量排序

1.tf.sort/argsort()

这两个方法分别返回排序后的值，排序后的索引。有索引之后，可以通过gather方法对数据排序。

对于多维tensor，不指定轴的时候，默认是对最后一个轴操作。

2.tf.math.topk()

返回前k大的那些数据，以及索引。比如下面的例子，传入a，2的意思是前两个大的值。因此会对每一行，寻找前两大的数，以及对应的索引，存到返回值中。

可以通过这个规则，求解topk的准确率。比如下面的例子，对于两条数据，预测概率是prob，根据预测概率，得到这两条数据最大值索引是2,1，而实际的值target是2,0。

①通过tf.math.top_k方法，对预测的概率进行排序，让它返回前三大的值。并得到索引。

②将索引进行转置之后，可以方便地阅读：第一列就是第一条数据的预测值概率索引排序，第二列就是第二条数据的预测值概率索引排序。

③那么，对于两条数据top1的准确率，就是概率最大的索引，也就是第一行的两个数据，2,1，而实际值是2,0，那么top1准确率就是50%

④top2的准确率，意思就是，只要前两名的概率预测有对的，那就算预测对了。那么第一行，第一条预测对了，第二条预测错了。而第二行，第一条预测错了，第二条预测对了。

⑤那么，根据“只要前两个概率有一个对，那就算对”，top2的准确率就是100%

三、TensorFlow高阶操作

1.tf.where()

如果传入布尔型数据，会根据数据返回值为True的数值的索引。

如果传入条件数据，比如where(condition, A, B)，condition是一个布尔tensor，会从A里面选择condition为true的位置所对应的数据，从B里面选择conditon为false的位置所对应的数据。

2.tf.scatter_nd()

该方法中，传入索引，数据，底板。

底板通常是全0的tensor，索引是和数据一一对应的，并且索引的长度不超过底板。

传入的每一个数据都对应一个索引，然后把数据更新到底板上面索引对应的位置。

如果底板已经有数据了，就需要全部清零，再更新。

在二维上面举例如下：

3.tf.meshgrid()

和numpy里面的meshgrid用法一样，分别生成的是网格中x和y的数据。例子如下：

然后使用stack进行一个堆叠，就可以得到所有25个点的坐标。

以上就是TensorFlow人工智能学习张量及高阶操作示例详解的详细内容，更多关于TensorFlow张量高阶操作的资料请关注hwidc其它相关文章！

【源文URL、http://www.yidunidc.com/hk.html 转载请保留出处】