tf.compat

狼啸风云

修改于 2022-09-03 14:00:50

5.4K00

代码可运行

文章被收录于专栏：计算机视觉理论及其实现计算机视觉理论及其实现

运行总次数：0

代码可运行

一、模块

1、Modules

v1 module: 将所有的公共TensorFlow接口引入到这个模块中。

1、v1 模块

模块列表：

app:通用入口点脚本。
audio:tf.audio命名空间的公共API。
autograph:将普通Python转换为TensorFlow图形代码。
bitwise:操作整数的二进制表示的操作。
compat:Python 2与Python 3兼容的函数。
config:tf.config命名空间的公共API。
dada:用于输入管道的tf.data.Dataset API。
debugging:tf.debugging命名空间的公共API。
distribute:用于跨多个设备运行计算的库。
distributions:TensorFlow分布对象和助手的核心模块。
dtypes:tf.dtypes命名空间的公共API。
errors:TensorFlow错误的异常类型。
estimator
experimental:tf.experimental命名空间的公共API。
feature_column:tf.feature_column命名空间的公共API。
gfile:为file_io导入路由器。
graph_util模块:在python中操作张量图的助手。
image:图像处理和解码操作。
initializers:tf.initializers命名空间的公共API。
io:tf.io命名空间的公共API。
keras
layer:tf.layer命名空间的公共API。
linalg:线性代数运算。
lite:tf.lite命名空间的公共API。
logging:日志和摘要操作。
lookup:tf.lookup命名空间的公共API。
loss:用于神经网络的损失操作。
manip:操作张量的运算符。
math:数学运算。
metrics:与评估相关的度量。
nest:tf.nest命名空间的公共API。
nn:用于原始神经网络(nn)操作的包装器。
profiler:tf.profiler命名空间的公共API。
python_io:用于直接操作tfrecord格式文件的Python函数。
quantization:tf.quantization命名空间的公共API。
queue:tf.queue命名空间的公共API。
ragged:不规则张量。
random:tf.random命名空间的公共API。
raw_ops:tf.raw_ops命名空间的公共API。
resource_loader:资源管理库。
saved_model模块:tf.save_model命名空间的公共API。
set:Tensorflow set操作。
signal:信号处理操作。
sparse:稀疏张量表示。
spetral:tf.spetral命名空间的公共API。
strings:处理字符串张量的操作。
summary:编写摘要数据的操作，用于分析和可视化。
sysconfig:系统配置库。
test:测试。
tpu:与张量处理单元相关的Ops。
train:支持训练模型。
user_ops:tf.use_ops命名空间的公共API。
version:tf.version命名空间的公共API。
xla:tf.xla命名空间的公共API。
v2 module: 将所有的公共TensorFlow接口引入到这个模块中。

类列表：

class AggregationMethod: 用于组合渐变的类列表聚合方法。
class AttrValue
class ConditionalAccumulator: 用于聚合梯度的条件累加器。
class ConditionalAccumulatorBase: 用于聚合梯度的条件累加器。
class ConfigProto
class CriticalSection: 至关重要的部分。
class DType: 表示张量中元素的类型。
class DeviceSpec: 表示张量流设备的(可能部分)规范。
class Dimension: 表示张量形状中一维的值。
class Event
class FIFOQueue: 按先入先出顺序对元素进行排队的队列实现。
class FixedLenFeature: 用于解析固定长度输入特性的配置。
class FixedLenSequenceFeature: 用于将变长输入特征解析为张量的配置。
class FixedLengthRecordReader: 从文件中输出固定长度记录的阅读器。
class GPUOptions
class GradientTape: 记录自动分选的操作。
class Graph: 张量流计算，表示为数据流图。
class GraphDef
class GraphKeys: 用于图形集合的标准名称。
class GraphOptions
class HistogramProto
class IdentityReader: 作为键和值输出排队工作的读取器。
class IndexedSlices: 一组张量切片在给定指标下的稀疏表示。
class InteractiveSession: 用于交互式上下文中(如shell)的TensorFlow会话。
class LMDBReader: 从LMDB文件中输出记录的阅读器。
class LogMessage
class MetaGraphDef
class Module: 神经网络模块类。
class NameAttrList
class NodeDef
class OpError: 当TensorFlow执行失败时引发的一般错误。
class Operation: 表示在张量上执行计算的图形节点。
class OptimizerOptions
class PaddingFIFOQueue: 一个FIFOQueue，它支持通过填充来批量处理可变大小的张量。
class PriorityQueue: 按优先级顺序对元素进行排队的队列实现。
class QueueBase: 队列实现的基类。
class RaggedTensor: 表示一个不规则张量。
class RandomShuffleQueue: 按随机顺序对元素进行排队的队列实现。
class ReaderBase: 用于不同读取器类型的基类，该基类将生成每个步骤的记录。
class RegisterGradient: 为op类型注册渐变函数的装饰器。
class RunMetadata
class RunOptions
class Session: 一个运行TensorFlow操作的类。
class SessionLog
class SparseConditionalAccumulator: 用于聚集稀疏梯度的条件累加器。
class SparseFeature: 用于解析示例中的稀疏输入特性的配置。
class SparseTensor: 表示稀疏张量。
class SparseTensorValue: SparseTensorValue(indices, values, dense_shape)
class Summary
class SummaryMetadata
class TFRecordReader: 从TFRecords文件中输出记录的阅读器。
class Tensor: 表示操作的输出之一。
class TensorArray: 类包装动态大小，每一步，写一次张量数组。
class TensorInfo
class TensorShape: 表示张量的形状。
class TensorSpec: 描述了一个tf.Tensor。
class TextLineReader: 一种读取器，它输出由换行符分隔的文件的行。
class UnconnectedGradients: 控制当y不依赖于x时梯度计算的行为。
class VarLenFeature: 用于解析可变长度输入特性的配置。
class Variable: 参见变量指南。
class VariableAggregation: 指示如何聚合分布式变量。
class VariableScope: 变量作用域对象，以携带提供给get_variable的默认值。
class VariableSynchronization: 指示何时同步分布式变量。
class WholeFileReader: 将文件的全部内容作为值输出的阅读器。
class constant_initializer: 初始化器，它生成具有常量值的张量。
class glorot_normal_initializer: Glorot常规初始化器，也称为Xavier常规初始化器。
class glorot_uniform_initializer: Glorot统一初始化器，也称为Xavier统一初始化器。
class name_scope: 定义Python op时使用的上下文管理器。
class ones_initializer: 生成初始化为1的张量的初始化器。
class orthogonal_initializer: 生成正交矩阵的初始化器。
class random_normal_initializer: 初始化器，生成具有正态分布的张量。
class random_uniform_initializer: 生成均匀分布张量的初始化器。
class truncated_normal_initializer: 生成截断正态分布的初始化器。
class uniform_unit_scaling_initializer: 初始化器，生成无缩放方差的张量。
class variable_scope: 用于定义创建变量(层)的ops的上下文管理器。
class variance_scaling_initializer: 初始化器能够根据权值张量的形状调整其比例。
class zeros_initializer: 生成初始化为0的张量的初始化器。

函数列表：

Assert(...): 断言给定条件是正确的。
NoGradient(...): 指定op_type类型的操作数是不可微的。
NotDifferentiable(...): 指定op_type类型的操作数是不可微的。
Print(...): 打印张量列表。(弃用)
abs(...): 计算张量的绝对值。
accumulate_n(...): 返回张量列表的元素和。
acos(...): 计算x元素的acos。
acosh(...): 计算逆双曲余弦x元素。
add(...): 返回x + y元素。
add_check_numerics_ops(...): 将tf.debug .check_numerics连接到每个浮点张量。
add_n(...): 按元素顺序添加所有输入张量。
add_to_collection(...): 使用默认图形包装graph. add_to_collection()。
add_to_collections(...): 使用默认图形对graph. add_to_collections()进行包装。
all_variables(...): 使用tf.compat.v1.global_variables代替。(弃用)
angle(...): 返回复张量(或实张量)的元素参数。
arg_max(...): 返回张量维数中值最大的指标。(弃用)
arg_min(...): 返回一个张量维数中值最小的指标。(弃用)
argmax(...): 返回一个张量在轴上的最大值的指标。(弃用参数)
argmin(...): 返回一个张量横轴方向上值最小的指标。(弃用参数)
argsort(...): 返回一个张量的指标，该指标给出了张量沿轴的排序顺序。
as_dtype(...): 将给定的type_value转换为DType。
as_string(...): 将给定张量中的每个项转换为字符串。支持许多数字
asin(...): 计算x元素的三角反正弦。
asinh(...): 计算逆双曲正弦x元素。
assert_equal(...): 断言条件x == y持有元素。
assert_greater(...): 断言条件x > y保存元素。
assert_greater_equal(...): 断言条件x >= y保存元素。
assert_integer(...): 断言x是整数dtype。
assert_less(...): 断言条件x < y持有元素。
assert_less_equal(...): 断言条件x <= y持有元素。
assert_near(...): 断言条件x和y是紧密元素。
assert_negative(...): 断言条件x < 0在元素方面保持不变。
assert_non_negative(...): 断言条件x >= 0保存元素。
assert_non_positive(...): 断言条件x <= 0持有元素。
assert_none_equal(...): 断言条件x != y适用于所有元素。
assert_positive(...): 断言条件x > 0保存元素。
assert_proper_iterable(...): 静态断言值是“适当的”可迭代的。
assert_rank(...): 断言x的秩等于秩。
assert_rank_at_least(...): 断言x的秩等于或更高。
assert_rank_in(...): 断言x具有秩中的秩。
assert_same_float_dtype(...): 验证并返回基于张量和dtype的浮点类型。
assert_scalar(...): 断言给定的张量是一个标量(即零维)。
assert_type(...): 静态地断言给定张量是指定类型的。
assert_variables_initialized(...): 返回一个Op，检查变量是否初始化。
assign(...): 通过给ref赋值来更新它。
assign_add(...): 通过添加值来更新ref。
assign_sub(...): 通过从ref中减去值来更新ref。
atan(...): 计算x元素的三角反切。
atan2(...): 根据参数的符号计算arctan (y/x)
atanh(...): 计算x元素的逆双曲正切。
batch_gather(...): 根据领先批次暗度的指标从params中收集切片。(弃用)
batch_scatter_update(...): 将tf.compat.v1.scatter_update推广到不同于0的轴。(弃用)
batch_to_space(...): T型四维张量的BatchToSpace。
batch_to_space_nd(...): T型N-D张量的BatchToSpace。
betainc(...): 计算正则化不完整的值。
bincount(...): 计算整数数组中每个值出现的次数。
bitcast(...): 在不复制数据的情况下将张量从一种类型转换为另一种类型。
boolean_mask(...): 对张量应用布尔掩码。
broadcast_dynamic_shape(...): 计算给定符号形状的广播的形状。
broadcast_static_shape(...): 计算给定已知形状的广播的形状。
broadcast_to(...): 广播一个兼容形状的数组。
case(...): 创建一个case操作。
cast(...): 将张量投射到一个新的类型上。
ceil(...): 返回元素方向上不小于x的最小整数。
check_numerics(...): 检查一个张量的NaN和Inf值。
cholesky(...): 计算一个或多个方阵的切列斯基分解。
cholesky_solve(...): 求解线性eqns A X = RHS方程组，给出了切列斯基分解。
clip_by_average_norm(...): 将张量值裁剪到最大平均l2范数。(弃用)
clip_by_global_norm(...): 将多个张量的值按其范数之和的比值剪辑。
clip_by_norm(...): 将张量值裁剪到最大l2范数。
clip_by_value(...): 将张量值剪辑到指定的最小值和最大值。
colocate_with(...): DEPRECATED FUNCTION
complex(...): 将两个实数转换为复数。
concat(...): 沿一维串联张量。
cond(...): 如果谓词pred为true，则返回true_fn()，否则返回false_fn()。(弃用参数)
confusion_matrix(...): 根据预测和标签计算混淆矩阵。
conj(...): 返回复数的复共轭。
constant(...): 创建一个常数张量。
container(...): 使用默认图形对graph. container()进行包装。
control_dependencies(...): 使用默认图形包装graph. control_dependencies()。
convert_to_tensor(...): 将给定值转换为张量。
convert_to_tensor_or_indexed_slices(...): 将给定对象转换为张量或索引切片。
convert_to_tensor_or_sparse_tensor(...): 将值转换为稀疏张量或张量。
cos(...): 计算cosx元素。
cosh(...): 计算x元素的双曲余弦。
count_nonzero(...): 计算张量维上非零元素的个数。(弃用参数)(弃用参数)
count_up_to(...): 增加'ref'直到它达到'极限'。(弃用)
create_partitioned_variables(...): 根据给定的切片创建分区变量列表。(弃用)
cross(...): 计算成对叉乘。
cumprod(...): 计算张量x沿轴的累积积。
cumsum(...): 沿着轴计算张量x的累积和。
custom_gradient(...): 修饰符来定义具有自定义渐变的函数。
decode_base64(...): 解码web安全的base64编码字符串。
decode_compressed(...): 解压缩字符串。
decode_csv(...): 将CSV记录转换为张量。每一列映射到一个张量。
decode_json_example(...): 将json编码的示例记录转换为二进制协议缓冲区字符串。
decode_raw(...): 将原始字节字符串转换为张量。(弃用参数)
delete_session_tensor(...): 删除给定张量句柄的张量。
depth_to_space(...): T型张量的测深。
dequantize(...): 将“输入”张量去量化为浮点张量。
deserialize_many_sparse(...): 从序列化的小型批处理反序列化和连接稀疏量。
device(...): 使用默认图形的graph. device()的包装器。
diag(...): 返回具有给定对角值的对角张量。
diag_part(...): 返回张量的对角线部分。
digamma(...): 计算，的导数(的绝对值的对数)
dimension_at_index(...): 兼容性实用程序需要允许在TF中同时存在V1和V2行为。
dimension_value(...): 兼容性实用程序需要允许在TF中同时存在V1和V2行为。
disable_eager_execution(...): 禁用急切的执行。
disable_resource_variables(...): 选择退出资源变量。(弃用)
disable_v2_behavior(...): 禁用TensorFlow 2.x的行为。
disable_v2_tensorshape(...): 禁用V2 TensorShape行为并恢复到V1行为。
div(...): Divides x / y elementwise(使用Python 2师semantics操作)。
div_no_nan(...): 计算一个不安全的除法，如果y为零，该除法返回0。
divide(...): 计算Python风格的x除以y的除法。
dynamic_partition(...): 使用来自分区的索引将数据分区为num_partition张量。
dynamic_stitch(...): 把数据张量的值交错成一个张量。
edit_distance(...): 计算序列之间的Levenshtein距离。
einsum(...): 任意维张量之间的广义收缩。
enable_eager_execution(...): 在此程序的生命周期内启用立即执行。
enable_resource_variables(...): 默认情况下创建资源变量。
enable_v2_behavior(...): 使TensorFlow 2.x的行为。
enable_v2_tensorshape(...): 在TensorFlow 2.0中，遍历TensorShape实例将返回值。
encode_base64(...): 将字符串编码为web安全的base64格式。
ensure_shape(...): 更新张量的形状，并在运行时检查该形状是否保持不变。
equal(...): 返回(x == y)元素的真值。
erf(...): 计算x元素的高斯误差函数。
erfc(...): 计算x元素的互补误差函数。
executing_eagerly(...): 如果当前线程启用了紧急执行，则返回True。
exp(...): 计算x元素的指数。
expand_dims(...): 将维数1插入张量的形状中。(弃用参数)
expm1(...): 计算x - 1元素的指数。
extract_image_patches(...): 从图像中提取补丁，并将其放入“深度”输出维度。
extract_volume_patches(...): 从输入中提取补丁，并将其放入“深度”输出维度，extract_image_patches的3D扩展。
eye(...): 构造一个单位矩阵，或者一组矩阵。
fake_quant_with_min_max_args(...): 假量化“输入”张量，类型浮动到相同类型的“输出”张量。
fake_quant_with_min_max_args_gradient(...): 为FakeQuantWithMinMaxArgs操作计算梯度。
fake_quant_with_min_max_vars(...): 通过全局浮点标量min对浮点类型的“输入”张量进行伪量化
fake_quant_with_min_max_vars_gradient(...): 为FakeQuantWithMinMaxVars操作计算梯度。
fake_quant_with_min_max_vars_per_channel(...): 对float类型的“输入”张量进行伪量化，其中一个形状为:[d]，
fake_quant_with_min_max_vars_per_channel_gradient(...): 为FakeQuantWithMinMaxVarsPerChannel操作计算梯度。
fft(...): 快速傅里叶变换。
fft2d(...): 2D快速傅里叶变换。
fft3d(...): 3D快速傅里叶变换。
fill(...): 创建一个包含标量值的张量。
fingerprint(...): 生成指纹值。
fixed_size_partitioner(...): 分区器，指定沿给定轴的固定数量的切分。
floor(...): 返回不大于x的元素最大整数。
floor_div(...): 返回x // y元素。
floordiv(...): 除以x / y元素，四舍五入到最负的整数。
floormod(...): 返回除法的元素剩余部分。当x < 0 xor y < 0时
foldl(...): 维度0上从elems解压缩的张量列表上的foldl。
foldr(...): 在维度0上从elems解压缩的张量列表上的foldr。
function(...): 从Python函数创建一个可调用的TensorFlow图。
gather(...): 根据索引从params坐标轴中收集切片。
gather_nd(...): 将params中的切片收集到一个由指标指定形状的张量中。
get_collection(...): 使用默认图形对graph. get_collection()进行包装。
get_collection_ref(...): 使用默认图形为graph. get_collection_ref()包装器。
get_default_graph(...): 返回当前线程的默认图形。
get_default_session(...): 返回当前线程的默认会话。
get_local_variable(...): 获取现有的局部变量或创建新的局部变量。
get_logger(...): 返回TF日志程序实例。
get_seed(...): 返回一个操作应该使用的局部种子，给定一个特定于操作的种子。
get_session_handle(...): 返回数据句柄。
get_session_tensor(...): 通过输入一个张量句柄得到d型张量。
get_static_value(...): 返回给定张量的常数值，如果可以有效地计算。
get_variable(...): 获取具有这些参数的现有变量或创建一个新变量。
get_variable_scope(...): 返回当前变量范围。
global_norm(...): 计算多个张量的全局范数。
global_variables(...): 返回全局变量。
global_variables_initializer(...): 返回初始化全局变量的Op。
gradients(...): 构造x中y的和的符号导数。
greater(...): 返回元素(x > y)的真值。
greater_equal(...): 返回元素的真值(x >= y)。
group(...): 创建一个对多个操作进行分组的op。
guarantee_const(...): 向TF运行时保证输入张量是常数。
hessians(...): 在x中构造y对x求和的黑森函数。
histogram_fixed_width(...): 返回值的直方图。
histogram_fixed_width_bins(...): 在直方图中存储给定的值。
identity(...): 返回一个形状和内容与输入相同的张量。
identity_n(...): 返回与输入具有相同形状和内容的张量列表
ifft(...): 快速傅里叶反变换。
ifft2d(...): 反二维快速傅里叶变换。
ifft3d(...): 反三维快速傅里叶变换。
igamma(...): 计算下正则化不完全函数P(a, x)
igammac(...): 计算上正则化不完全函数Q(a, x)。
imag(...): 返回复张量(或实张量)的虚部。
import_graph_def(...): 将图形从graph_def导入到当前默认图形中。(弃用参数)
init_scope(...): 上下文管理器，使操作脱离控制流范围和功能构建图。
initialize_all_tables(...): 返回一个Op，该Op初始化默认图形的所有表。(弃用)
initialize_all_variables(...): 看到tf.compat.v1.global_variables_initializer。(弃用)
initialize_local_variables(...): 看到tf.compat.v1.local_variables_initializer。(弃用)
initialize_variables(...): 看到tf.compat.v1.variables_initializer。(弃用)
invert_permutation(...): 计算张量的逆置换。
is_finite(...): 返回x的哪些元素是有限的。
is_inf(...): 返回x的哪些元素是Inf。
is_nan(...): 返回x的哪些元素是NaN。
is_non_decreasing(...): 如果x不递减，则返回True。
is_numeric_tensor(...): 如果张量的元素是数字，则返回True。
is_strictly_increasing(...): 如果x严格递增，则返回True。
is_tensor(...): 检查x是张量还是“类张量”。
is_variable_initialized(...): 测试变量是否已初始化。
lbeta(...): 计算，沿最后一个维度减小。
less(...): 返回(x < y)元素的真值。
less_equal(...): 返回元素的真值(x <= y)。
lgamma(...): 计算元素(x)绝对值的对数。
lin_space(...): 在一个区间内生成值。
linspace(...): 在一个区间内生成值。
load_file_system_library(...): 加载一个包含文件系统实现的TensorFlow插件。(弃用)
load_library(...): 加载一个TensorFlow插件。
load_op_library(...): 加载一个包含自定义ops和内核的TensorFlow插件。
local_variables(...): 返回局部变量。
local_variables_initializer(...): 返回初始化所有局部变量的Op。
log(...): 计算x元素的自然对数。
log1p(...): 计算(1 + x)元素的自然对数。
log_sigmoid(...): 计算x元素的log sigmoid。
logical_and(...): 返回x和y元素的真值。
logical_not(...): 返回NOT x element-wise的真值。
logical_or(...): 返回x或y元素的真值。
logical_xor(...): 逻辑异或函数。
make_ndarray(...): 从张量中创建一个numpy ndarray。
make_template(...): 给定一个任意函数，对它进行包装，以便它执行变量共享。
make_tensor_proto(...): 由TensorProto创建。
map_fn(...): 映射到维度0上从elems解压缩的张量列表上。
matching_files(...): 返回匹配一个或多个glob模式的文件集。
matmul(...): 矩阵a乘以矩阵b，得到a * b。
matrix_band_part(...): 复制一个张量，使每个最里面的矩阵都在中心带之外。
matrix_determinant(...): 计算一个或多个方阵的行列式。
matrix_diag(...): 返回具有给定批处理对角值的批处理对角张量。
matrix_diag_part(...): 返回批处理张量的批处理对角线部分。
matrix_inverse(...): 计算一个或多个平方可逆矩阵或它们的逆矩阵。
matrix_set_diag(...): 返回一个新的批处理对角值的批处理矩阵张量。
matrix_solve(...): 解线性方程组。
matrix_solve_ls(...): 解决一个或多个线性最小二乘问题。
matrix_square_root(...): 计算一个或多个方阵的矩阵平方根:
matrix_transpose(...): 转置张量a的最后二维。
matrix_triangular_solve(...): 用反代换法求解具有上三角矩阵或下三角矩阵的线性方程组。
maximum(...): 返回x和y的最大值(即x > y ?x: y)元素方面。
meshgrid(...): 在N-D网格上广播用于评估的参数。
min_max_variable_partitioner(...): 分区器分配每个片的最小大小。
minimum(...): 返回x和y的最小值(即x < y ?x: y)元素方面。
mod(...): 返回除法的元素剩余部分。当x < 0 xor y < 0时
model_variables(...): 返回MODEL_VARIABLES集合中的所有变量。
moving_average_variables(...): 返回所有保持移动平均线的变量。
multinomial(...): 从多项分布中抽取样本。(弃用)
multiply(...): 返回x * y元素。
negative(...): 计算数值负值元素。
no_gradient(...): 指定op_type类型的操作数是不可微的。
no_op(...): 什么也不做。仅用作控件边缘的占位符。
no_regularizer(...): 使用此函数可以防止变量的正则化。
nondifferentiable_batch_function(...): 批处理由修饰函数完成的计算。
norm(...): 计算向量、矩阵和张量的范数。(弃用参数)
not_equal(...): 返回元素的真值(x != y)。
numpy_function(...): 封装一个python函数并将其用作TensorFlow op。
one_hot(...): 返回一个热张量。
ones(...): 创建一个所有元素都设为1的张量。
ones_like(...): 创建一个所有元素都设为1的张量。
op_scope(...): 弃用。与上面的name_scope相同，只是参数顺序不同。
pad(...): 垫一个张量。
parallel_stack(...): 将一列秩-R张量并行地堆成一个秩-(R+1)张量。
parse_example(...): 将示例原型解析为张量的dict。
parse_single_example(...): 解析一个示例原型。
parse_single_sequence_example(...): 解析单个SequenceExample原型。
parse_tensor(...): 转换序列化的tensorflow。把张量变成张量。
placeholder(...): 为一个张量插入一个占位符，该张量总是被填充。
placeholder_with_default(...): 一个占位符操作，当它的输出不被输入时，它通过输入。
polygamma(...): 计算多元函数。
pow(...): 计算一个值对另一个值的幂。
print(...): 打印指定的输入。
py_func(...): 封装一个python函数并将其用作TensorFlow op。
py_function(...): 将python函数封装到一个TensorFlow op中，该op急切地执行它。
qr(...): 计算一个或多个矩阵的QR分解。
quantize(...): 将浮点型的“输入”张量量子化为“T”型的“输出”张量。
quantize_v2(...): 请使用tf.quantization。数字转换。
quantized_concat(...): 沿一维串联量子化张量。
random_crop(...): 随机裁剪一个给定大小的张量。
random_gamma(...): 从每个给定的伽马分布中绘制形状样本。
random_normal(...): 从正态分布中输出随机值。
random_poisson(...): 从每个给定的泊松分布中提取形状样本。
random_shuffle(...): 随机打乱张量的第一个维度。
random_uniform(...): 从均匀分布中输出随机值。
range(...): 创建一个数字序列。
rank(...): 返回一个张量的秩。
read_file(...): 读取和输出输入文件名的全部内容。
real(...): 返回复张量(或实张量)的实部。
realdiv(...): 返回实际类型的x / y元素。
reciprocal(...): 计算x元素的倒数。
reduce_all(...): 计算元素跨张量维数的“逻辑和”。(弃用参数)
reduce_any(...): 计算元素跨张量维数的“逻辑或”。(弃用参数)
reduce_join(...): 在给定维度上连接一个弦张量。
reduce_logsumexp(...): 计算log(sum(exp(一个张量的维度上的元素))。(弃用参数)
reduce_max(...): 计算张量维数中元素的最大值。(弃用参数)
reduce_mean(...): 计算元素跨张量维数的平均值。
reduce_min(...): 计算张量维数中元素的最小值。(弃用参数)
reduce_prod(...): 计算元素跨张量维数的乘积。(弃用参数)
reduce_sum(...): 计算张量维数中元素的和。(弃用参数)

计算张量维数中元素的和。(弃用参数)

tf.compat.v1.reduce_sum(
    input_tensor,
    axis=None,
    keepdims=None,
    name=None,
    reduction_indices=None,
    keep_dims=None
)

沿着坐标轴给出的维数减少input_张量。除非keepdims为真，否则对于轴上的每一项，张量的秩都会减少1。如果keepdims为真，则使用长度1保留缩减后的维度。如果轴为空，则所有维数都被缩减，并返回一个只有一个元素的张量。

例：

x = tf.constant([[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, keepdims=True)  # [[3], [3]]
tf.reduce_sum(x, [0, 1])  # 6

参数：

input_张量:要减少的张量。应该具有数值类型。
axis:要缩小的尺寸。如果没有(默认值)，则减少所有维度。必须在[-rank(input_张量)，rank(input_张量)]范围内。
keepdims:如果为真，则保留长度为1的缩减维度。
name:操作的名称(可选)。
reduction_indices: axis的旧名称(已弃用)。
keep_dims: keepdims的弃用别名。

返回值：

简化张量，与input_张量具有相同的dtype。

Numpy兼容性

除了numpy upcast uint8和int32到int64，而tensorflow返回与输入相同的dtype之外，它等价于np.sum。

regex_replace(...): 用重写替换与正则表达式匹配的输入元素。
register_tensor_conversion_function(...): 注册一个函数，用于将base_type对象转换为张量。
report_uninitialized_variables(...): 添加ops以列出未初始化变量的名称。
required_space_to_batch_paddings(...): 计算使block_shape除以input_shape所需的填充。
reset_default_graph(...): 清除默认图形堆栈并重置全局默认图形。
reshape(...): 重塑一个张量。
resource_variables_enabled(...): 如果启用了资源变量，则返回True。
reverse(...): 反转张量的特定维数。
reverse_sequence(...): 反转可变长度的切片。
reverse_v2(...): 反转张量的特定维数。
rint(...): 返回最接近x的元素整数。
roll(...): 将张量的元素沿轴滚动。
round(...): 元素方面，将张量的值舍入到最近的整数。
rsqrt(...): 计算x元素平方根的倒数。
saturate_cast(...): 将值安全饱和转换为dtype。
scalar_mul(...): 将标量乘以张量或索引切片对象。
scan(...): 扫描维度0上从elems解压缩的张量列表。
scatter_add(...): 向资源引用的变量添加稀疏更新。
scatter_div(...): 用稀疏更新划分变量引用。
scatter_max(...): 使用max操作将稀疏更新简化为变量引用。
scatter_min(...): 使用min操作将稀疏更新简化为变量引用。
scatter_mul(...): 将稀疏更新复制到变量引用中。
scatter_nd(...): 根据指标将更新分散到一个新的张量中。
scatter_nd_add(...): 对变量中的单个值或片应用稀疏加法。
scatter_nd_sub(...): 将稀疏减法应用于变量中的单个值或片。
scatter_nd_update(...): 对变量中的单个值或片应用稀疏更新。
scatter_sub(...): 减去对变量引用的稀疏更新。
scatter_update(...): 对变量引用应用稀疏更新。
searchsorted(...): 搜索输入张量中最内层的值。
segment_max(...): 计算张量沿段的最大值。
segment_mean(...): 沿张量的段计算平均值。
segment_min(...): 计算张量沿段的最小值。
segment_prod(...): 沿着张量的段计算乘积。
segment_sum(...): 沿着张量的段计算和。
self_adjoint_eig(...): 计算了一批自伴随矩阵的特征分解。
self_adjoint_eigvals(...): 计算一个或多个自伴随矩阵的特征值。
sequence_mask(...): 返回一个掩码张量，表示每个单元格的前N个位置。
serialize_many_sparse(...): 将N-小批量稀疏张量序列化为[N, 3]张量。
serialize_sparse(...): 将稀疏张量序列化为一个3向量(一维张量)对象。
serialize_tensor(...): 将张量转换成一个序列化的张量。
set_random_seed(...): 设置默认图形的图形级随机种子。
setdiff1d(...): 计算两个数字或字符串列表之间的差异。
shape(...): 返回张量的形状。
shape_n(...): 返回张量的形状。
sigmoid(...): 计算x元素的sigmoid。
sign(...): 返回数字符号的元素指示。
sin(...): 计算sin (x)元素。
sinh(...): 计算x元素的双曲正弦。
size(...): 返回张量的大小。
slice(...): 从张量中提取一个切片。
sort(...): 一个张量。
space_to_batch(...): 适用于T型4-D张量。
space_to_batch_nd(...): 适用于T型N-D张量。
space_to_depth(...): T型张量的空间-深度。
sparse_add(...): 加上两个张量，至少其中一个是稀疏张量。(弃用参数)
sparse_concat(...): 沿指定维连接稀疏张量列表。(弃用参数)
sparse_fill_empty_rows(...): 用默认值填充输入二维稀疏张量中的空行。
sparse_mask(...): 掩码indexedslice的元素。
sparse_matmul(...): 矩阵a乘以矩阵b。
sparse_maximum(...): 返回两个稀疏量中元素的最大值。
sparse_merge(...): 将一组特征id和值组合成一个稀疏张量。(弃用)
sparse_minimum(...): 返回两个稀疏量的元素明智的最小值。
sparse_placeholder(...): 为稀疏张量插入一个占位符，该张量总是被填充。
sparse_reduce_max(...): 计算稀疏张量维上元素的最大值。(弃用参数)(弃用参数)
sparse_reduce_max_sparse(...): 计算稀疏张量维上元素的最大值。(弃用参数)
sparse_reduce_sum(...): 计算稀疏张量各维元素的和。(弃用参数)(弃用参数)
sparse_reduce_sum_sparse(...): 计算稀疏张量各维元素的和。(弃用参数)
sparse_reorder(...): 将稀疏张量重新排序为正则的行主顺序。
sparse_reset_shape(...): 重置指标和值不变的稀疏张量的形状。
sparse_reshape(...): 重新构造稀疏张量，以新的密集形状表示值。
sparse_retain(...): 在稀疏张量中保留指定的非空值。
sparse_segment_mean(...): 沿着张量的稀疏段计算平均值。
sparse_segment_sqrt_n(...): 计算张量沿稀疏段的和除以根号N。
sparse_segment_sum(...): 沿着张量的稀疏段计算和。
sparse_slice(...): 根据起始点和大小切片一个稀疏张量。
sparse_softmax(...): 将softmax应用于一个批处理的N-D稀疏张量。
sparse_split(...): 沿着轴将稀疏张量分解为num_split张量。(弃用参数)
sparse_tensor_dense_matmul(...): 乘以稀疏张量(秩2)A由稠密矩阵B表示。
sparse_tensor_to_dense(...): 将稀疏张量转换为稠密张量。
sparse_to_dense(...): 将稀疏表示转换为稠密张量。(弃用)
sparse_to_indicator(...): 将ids的稀疏张量转换为稠密的bool指示张量。
sparse_transpose(...): 转置一个SparseTensor。
split(...): 把张量分解成子张量。
sqrt(...): 计算x元素的平方根。
square(...): 计算x元素的平方。
squared_difference(...): 返回(x - y)(x - y)元素。
squeeze(...): 从张量的形状中移除尺寸为1的维数。(弃用参数)
stack(...): 将一列秩-R张量叠加成一个秩-(R+1)张量。
stop_gradient(...): 停止梯度计算。
strided_slice(...): 提取张量的带条纹切片(广义python数组索引)。
string_join(...): 将给定的弦张量列表中的弦连接成一个张量;
string_split(...): 基于分隔符分割源元素。(弃用参数)
string_strip(...): 从张量中去除前导和后导的空白。
string_to_hash_bucket(...): 通过多个桶将输入张量中的每个字符串转换为其哈希模。
string_to_hash_bucket_fast(...): 通过多个桶将输入张量中的每个字符串转换为其哈希模。
string_to_hash_bucket_strong(...): 通过多个桶将输入张量中的每个字符串转换为其哈希模。
string_to_number(...): 将输入张量中的每个字符串转换为指定的数值类型。
substr(...): 从弦的张量中返回子弦。
subtract(...): 返回x - y元素。
svd(...): 计算一个或多个矩阵的奇异值分解。
switch_case(...): 创建一个switch/case操作，即一个整数索引的条件。
tables_initializer(...): 返回一个Op，该Op初始化默认图形的所有表。
tan(...): 计算x元素的tan值。
tanh(...): 计算x元素的双曲正切。
tensor_scatter_add(...): 根据指标对现有张量进行稀疏更新。
tensor_scatter_nd_add(...): 根据指标对现有张量进行稀疏更新。
tensor_scatter_nd_sub(...): 根据指标从现有张量中减去稀疏更新。
tensor_scatter_nd_update(...): 根据指标将更新分散到现有张量中。
tensor_scatter_sub(...): 根据指标从现有张量中减去稀疏更新。
tensor_scatter_update(...): 根据指标将更新分散到现有张量中。
tensordot(...): a和b沿指定轴的张量收缩。
tile(...): 通过平铺一个给定的张量来构造一个张量。
timestamp(...): 提供从纪元开始的时间(以秒为单位)。
to_bfloat16(...): 将张量强制转换为bfloat16类型。(弃用)
to_complex128(...): 将张量转换为类型为complex128的张量。(弃用)
to_complex64(...): 将张量转换为complex64类型。(弃用)
to_double(...): 将张量强制转换为float64类型。(弃用)
to_float(...): 将张量强制转换为float32类型。(弃用)
to_int32(...): 将张量转换为int32类型。(弃用)
to_int64(...): 将张量转换为int64类型。(弃用)
trace(...): 计算张量x的迹。
trainable_variables(...): 返回所有使用trainable=True创建的变量。
transpose(...): Transposes a.
truediv(...): 使用Python 3的除法运算符语义来分割x / y元素。
truncated_normal(...): 从截断的正态分布中输出随机值。
truncatediv(...): 返回整数类型的x / y元素。
truncatemod(...): 返回除法的元素剩余部分。这模拟了C语言的语义。
tuple(...): 张量分组。
unique(...): 在一维张量中找到唯一的元素。
unique_with_counts(...): 在一维张量中找到唯一的元素。
unravel_index(...): 将平面索引或平面索引数组转换为。
unsorted_segment_max(...): 计算张量沿段的最大值。
unsorted_segment_mean(...): 沿张量的段计算平均值。
unsorted_segment_min(...): 计算张量沿段的最小值。
unsorted_segment_prod(...): 沿着张量的段计算乘积。
unsorted_segment_sqrt_n(...): 计算张量沿段的和除以根号N。
unsorted_segment_sum(...): 沿着张量的段计算和。
unstack(...): 将秩- r张量的给定维数分解为秩-(R-1)张量。
variable_axis_size_partitioner(...): 为VariableScope获得一个分区器，使切分保持在max_shard_bytes以下。
variable_creator_scope(...): 作用域，它定义变量()使用的变量创建函数。
variable_op_scope(...): 不推荐:上下文管理器，用于定义创建变量的op。
variables_initializer(...): 返回初始化变量列表的Op。
vectorized_map(...): 维度0上从elems解压缩的张量列表上的并行映射。
verify_tensor_all_finite(...): 断言张量不包含任何NaN或Inf。
where(...): 根据条件返回x或y中的元素。(弃用)
where_v2(...): 根据条件返回x或y中的元素。
while_loop(...): 当条件cond为真时，重复body。
wrap_function(...): 包装TF 1。将x函数fn转化为一个图函数。
write_file(...): 以输入文件名将内容写入文件。创建文件和递归
zeros(...): 创建一个所有元素都为0的张量。
zeros_like(...): 创建一个所有元素都为零的张量。
zeta(...): 计算Hurwitz zeta函数。