x:
y）
tf.cos（x,name=None）
三角函数cosine
tf.sin（x,name=None）
三角函数sine
tf.tan（x,name=None）
三角函数tan
tf.atan（x,name=None）
三角函数ctan
张量操作TensorTransformations
数据类型转换Casting
操作
描述
tf.string_to_number
（string_tensor,out_type=None,name=None）
字符串转为数字
tf.to_double（x,name=’ToDouble’）
转为64位浮点类型–float64
tf.to_float（x,name=’ToFloat’）
转为32位浮点类型–float32
tf.to_int32（x,name=’ToInt32’）
转为32位整型–int32
tf.to_int64（x,name=’ToInt64’）
转为64位整型–int64
tf.cast（x,dtype,name=None）
将x或者x.values转换为dtype
#tensorais[1.8,2.2],dtype=tf.float
tf.cast（a,tf.int32）==>[1,2]#dtype=tf.int32
形状操作ShapesandShaping
操作
描述
tf.shape（input,name=None）
返回数据的shape
#‘t’is[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]]]
shape（t）==>[2,2,3]
tf.size（input,name=None）
返回数据的元素数量
#‘t’is[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]]]]
size（t）==>12
tf.rank（input,name=None）
返回tensor的rank
注意：
此rank不同于矩阵的rank，
tensor的rank表示一个tensor需要的索引数目来唯一表示任何一个元素
也就是通常所说的“order”,“degree”或”ndims”
#’t’is[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]]]
#shapeoftensor‘t’is[2,2,3]
rank（t）==>3
tf.reshape（tensor,shape,name=None）
改变tensor的形状
#tensor‘t’is[1,2,3,4,5,6,7,8,9]
#tensor‘t’hasshape[9]
reshape（t,[3,3]）==>
[[1,2,3],
[4,5,6],
[7,8,9]]
#如果shape有元素[-1],表示在该维度打平至一维
#-1将自动推导得为9:
reshape（t,[2,-1]）==>
[[1,1,1,2,2,2,3,3,3],
[4,4,4,5,5,5,6,6,6]]
tf.expand_dims（input,dim,name=None）
插入维度1进入一个tensor中
#该操作要求-1-input.dims（）
#‘t’isatensorofshape[2]
shape（expand_dims（t,0））==>[1,2]
shape（expand_dims（t,1））==>[2,1]
shape（expand_dims（t,-1））==>[2,1]<=dim<=input.dims（）
切片与合并（SlicingandJoining）
操作
描述
tf.slice（input_,begin,size,name=None）
对tensor进行切片操作
其中size[i]=input.dim_size（i）-begin[i]
该操作要求0<=begin[i]<=begin[i]+size[i]<=Diforiin[0,n]
#’input’is
#[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]],[[5,5,5],[6,6,6]]]
tf.slice（input,[1,0,0],[1,1,3]）==>[[[3,3,3]]]
tf.slice（input,[1,0,0],[1,2,3]）==>
[[[3,3,3],
[4,4,4]]]
tf.slice（input,[1,0,0],[2,1,3]）==>
[[[3,3,3]],
[[5,5,5]]]
tf.split（split_dim,num_split,value,name=’split’）
沿着某一维度将tensor分离为num_splittensors
#‘value’isatensorwithshape[5,30]
#Split‘value’into3tensorsalongdimension1
split0,split1,split2=tf.split（1,3,value）
tf.shape（split0）==>[5,10]
tf.concat（concat_dim,values,name=’concat’）
沿着某一维度连结tensor
t1=[[1,2,3],[4,5,6]]
t2=[[7,8,9],[10,11,12]]
tf.concat（0,[t1,t2]）==>[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]
tf.concat（1,[t1,t2]）==>[[1,2,3,7,8,9],[4,5,6,10,11,12]]
如果想沿着tensor一新轴连结打包,那么可以：
tf.concat（axis,[tf.expand_dims（t,axis）fortintensors]）
等同于tf.pack（tensors,axis=axis）
tf.pack（values,axis=0,name=’pack’）
将一系列rank-R的tensor打包为一个rank-（R+1）的tensor
#‘x’is[1,4],‘y’is[2,5],‘z’is[3,6]
pack（[x,y,z]）=>[[1,4],[2,5],[3,6]]
#沿着第一维pack
pack（[x,y,z],axis=1）=>[[1,2,3],[4,5,6]]
等价于tf.pack（[x,y,z]）=np.asarray（[x,y,z]）
tf.reverse（tensor,dims,name=None）
沿着某维度进行序列反转
其中dim为列表，元素为bool型，size等于rank（tensor）
#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’shapeis[1,2,3,4]
#‘dims’is[False,False,False,True]
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]]]]
tf.transpose（a,perm=None,name=’transpose’）
调换tensor的维度顺序
按照列表perm的维度排列调换tensor顺序，
如为定义，则perm为（n-1…0）
#‘x’is[[123],[456]]
tf.transpose（x）==>[[14],[25],[36]]
#Equivalently
tf.transpose（x,perm=[1,0]）==>[[14],[25],[36]]
tf.gather（params,indices,validate_indices=None,name=None）
合并索引indices所指示params中的切片
tf.one_hot
（indices,depth,on_value=None,off_value=None,
axis=None,dtype=None,name=None）
indices=[0,2,-1,1]
depth=3
on_value=5.0
off_value=0.0
axis=-1
#Thenoutputis[4x3]:
output=
[5.00.00.0]//one_hot（0）
[0.00.05.0]//one_hot
（2）
[0.00.00.0]//one_hot（-1）
[0.05.00.0]//one_hot
（1）
矩阵相关运算
操作
描述
tf.diag（diagonal,name=None）
返回一个给定对角值的对角tensor
#‘diagonal’is[1,2,3,4]
tf.diag（diagonal）==>
[[1,0,0,0]
[0,2,0,0]
[0,0,3,0]
[0,0,0,4]]
tf.diag_part（input,name=None）
功能与上面相反
tf.trace（x,name=None）
求一个2维tensor足迹，即对角值diagonal之和
tf.transpose（a,perm=None,name=’transpose’）
调换tensor的维度顺序
按照列表perm的维度排列调换tensor顺序，
如为定义，则perm为（n-1…0）
#‘x’is[[123],[456]]
tf.transpose（x）==>[[14],[25],[36]]
#Equivalently
tf.transpose（x,perm=[1,0]）==>[[14],[25],[36]]
tf.matmul（a,b,transpose_a=False,
transpose_b=False,a_is_sparse=False,
b_is_sparse=False,name=None）
矩阵相乘
tf.matrix_determinant（input,name=None）
返回方阵的行列式
tf.matrix_inverse（input,adjoint=None,name=None）
求方阵的逆矩阵，adjoint为True时，计算输入共轭矩阵的逆矩阵
tf.cholesky（input,name=None）
对输入方阵cholesky分解，
即把一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解A=LL^T
tf.matrix_solve（matrix,rhs,adjoint=None,name=None）
求解tf.matrix_solve（matrix,rhs,adjoint=None,name=None）
matrix为方阵shape为[M,M],rhs的shape为[M,K]，output为[M,K]
复数操作
操作
描述
plex（real,imag,name=None）
将两实数转换为复数形式
#tensor‘real’is[2.25,3.25]
#tensorimagis[4.75,5.75]
plex（real,imag）==>[[2.25+4.75j],[3.25+5.75j]]
plex_abs（x,name=None）
计算复数的绝对值，即长度。
#tensor‘x’is[[-2.25+4.75j],[-3.25+5.75j]]
plex_abs（x）==>[5.25594902,6.60492229]
tf.conj（input,name=None）
计算共轭复数
tf.imag（input,name=None）
tf.real（input,name=None）
提取复数的虚部和实部
tf.fft（input,name=None）
计算一维的离散傅里叶变换，输入数据类型为complex64
归约计算（Reduction）
操作
描述
tf.reduce_sum（input_tensor,reduction_indices=None,
keep_dims=False,name=None）
计算输入tensor元素的和，或者安照reduction_indices指定的轴进行求和
#‘x’is[[1,1,1]
#[1,1,1]]
tf.reduce_sum（x）==>6
tf.reduce_sum（x,0）==>[2,2,2]
tf.reduce_sum（x,1）==>[3,3]
tf.reduce_sum（x,1,keep_dims=True）==>[[3],[3]]
tf.reduce_sum（x,[0,1]）==>6
tf.reduce_prod（input_tensor,
reduction_indices=None,
keep_dims=False,name=None）
计算输入tensor元素的乘积，或者安照reduction_indices指定的轴进行求乘积
tf.reduce_min（input_tensor,
reduction_indices=None,
keep_dims=False,name=None）
求tensor中最小值
tf.reduce_max（input_tensor,
reduction_indices=None,
keep_dims=False,name=None）
求tensor中最大值
tf.reduce_mean（input_tensor,
reduction_indices=None,
keep_dims=False,name=None）
求tensor中平均值
tf.reduce_all（input_tensor,
reduction_indices=None,
keep_dims=False,name=None）
对tensor中各个元素求逻辑’与’
#‘x’is
#[[True,True]
#[False,False]]
tf.reduce_all（x）==>False
tf.reduce_all（x,0）==>[False,False]
tf.reduce_all（x,1）==>[True,False]
tf.reduce_any（input_tensor,
reduction_indices=None,
keep_dims=False,name=None）
对tensor中各个元素求逻辑’或’
tf.accumulate_n（inputs,shape=None,
tensor_dtype=None,name=None）
计算一系列tensor的和
#tensor‘a’is[[1,2],[3,4]]
#tensorbis[[5,0],[0,6]]
tf.accumulate_n（[a,b,a]）==>[[7,4],[6,14]]
tf.cumsum（x,axis=0,exclusive=False,
reverse=False,name=None）
求累积和
tf.cumsum（[a,b,c]）==>[a,a+b,a+b+c]
tf.cumsum（[a,b,c],exclusive=True）==>[0,a,a+b]
tf.cumsum（[a,b,c],reverse=True）==>[a+b+c,b+c,c]
tf.cumsum（[a,b,c],exclusive=True,reverse=True）==>[b+c,c,0]
分割（Segmentation）
操作
描述
tf.segment_sum（data,segment_ids,name=None）
根据segment_ids的分段计算各个片段的和
其中segment_ids为一个size与data第一维相同的tensor
其中id为int型数据，最大id不大于size
c=tf.constant（[[1,2,3,4],[-1,-2,-3,-4],[5,6,7,8]]）
tf.segment_sum（c,tf.constant（[0,0,1]））
==>[[0000]
[5678]]
上面例子分为[0,1]两id,对相同id的data相应数据进行求和,
并放入结果的相应id中，
且segment_ids只升不降
tf.segment_prod（data,segment_ids,name=None）
根据segment_ids的分段计算各个片段的积
tf.segment_min（data,segment_ids,name=None）
根据segment_ids的分段计算各个片段的最小值
tf.segment_max（data,segment_ids,name=None）
根据segment_ids的分段计算各个片段的最大值
tf.segment_mean（data,segment_ids,name=None）
根据segment_ids的分段计算各个片段的平均值
tf.unsorted_segment_sum（data,segment_ids,
num_segments,name=None）
与tf.segment_sum函数类似，
不同在于segment_ids中id顺序可以是无序的
tf.sparse_segment_sum（data,indices,
segment_ids,name=None）
输入进行稀疏分割求和
c=tf.constant（[[1,2,3,4],[-1,-2,-3,-4],[5,6,7,8]]）
#Selecttworows,onesegment.
tf.sparse_
升级会员 