Модуль: tf.nn

Обёртки для примитивных операций нейронных сетей (НС).

Модули

rnn_cell модуль: Модуль для создания ячеек RNN.

Функции

all_candidate_sampler(...): Генерирует множество всех классов.

atrous_conv2d(...): Атропное свертывание (также известное как свертывание с отверстиями или свертывание с расширением).

atrous_conv2d_transpose(...): Транспонирование atrous_conv2d.

avg_pool(...): Выполняет усредняющее объединение на входных данных.

avg_pool1d(...): Выполняет усредняющее объединение на входных данных.

avg_pool2d(...): Выполняет усредняющее объединение на входных данных.

avg_pool3d(...): Выполняет усредняющее объединение на входных данных.

avg_pool_v2(...): Выполняет усредняющее объединение на входных данных.

batch_norm_with_global_normalization(...): Нормализация по партиям.

batch_normalization(...): Нормализация по партиям.

bias_add(...): Добавляет bias к value.

bidirectional_dynamic_rnn(...): Создаёт динамическую версию двунаправленной рекуррентной нейронной сети. (устарело)

collapse_repeated(...): Объединяет повторяющиеся метки в единые метки.

compute_accidental_hits(...): Вычисляет идентификаторы позиций в sampled_candidates , совпадающие с true_classes.

compute_average_loss(...): Масштабирует потери на примеры с помощью sample_weights и вычисляет их среднее значение.

conv1d(...): Вычисляет 1-мерное свертывание, учитывая 3-мерные тензоры входных данных и фильтра. (устаревшие значения аргументов) (устаревшие значения аргументов)

conv1d_transpose(...): Транспонирование conv1d.

conv2d(...): Вычисляет 2-мерное свертывание, учитывая 4-мерные input и filter тензоры.

conv2d_backprop_filter(...): Вычисляет градиенты свертывания относительно фильтра.

conv2d_backprop_input(...): Вычисляет градиенты свертывания относительно входных данных.

conv2d_transpose(...): Транспонирование conv2d.

conv3d(...): Вычисляет 3-мерное свертывание, учитывая 5-мерные input и filter тензоры.

conv3d_backprop_filter(...): Вычисляет градиенты 3-мерного свертывания относительно фильтра.

conv3d_backprop_filter_v2(...): Вычисляет градиенты 3-мерного свертывания относительно фильтра.

conv3d_transpose(...): Транспонирование conv3d.

conv_transpose(...): Транспонирование convolution.

convolution(...): Вычисляет суммы N-мерных свертываний (фактически взаимная корреляция).

crelu(...): Вычисляет конкатенированное ReLU.

ctc_beam_search_decoder(...): Выполняет декодирование с помощью поиска по лучшим путям на логах, заданных на входе.

ctc_beam_search_decoder_v2(...): Выполняет декодирование с помощью поиска по лучшим путям на логах, заданных на входе.

ctc_greedy_decoder(...): Выполняет жадное декодирование на логах, заданных на входе (лучший путь).

ctc_loss(...): Вычисляет потерю CTC (Connectionist Temporal Classification).

ctc_loss_v2(...): Вычисляет потерю CTC (Connectionist Temporal Classification).

ctc_unique_labels(...): Получает уникальные метки и индексы для помеченных данных в пакетах для tf.nn.ctc_loss.

depth_to_space(...): DepthToSpace для тензоров типа T.

depthwise_conv2d(...): Глубинно-раздельное 2-мерное свертывание.

depthwise_conv2d_backprop_filter(...): Вычисляет градиенты глубинно-раздельного свертывания относительно фильтра.

depthwise_conv2d_backprop_input(...): Вычисляет градиенты глубинно-раздельного свертывания относительно входных данных.

depthwise_conv2d_native(...): Вычисляет 2-мерное глубинно-раздельное свертывание, учитывая 4-мерные input и filter тензоры.

depthwise_conv2d_native_backprop_filter(...): Вычисляет градиенты глубинно-раздельного свертывания относительно фильтра.

depthwise_conv2d_native_backprop_input(...): Вычисляет градиенты глубинно-раздельного свертывания относительно входных данных.

dilation2d(...): Вычисляет серое расширение 4-мерных input и 3-мерных filter тензоров.

dropout(...): Вычисляет дропаут. (устаревшие аргументы)

dynamic_rnn(...): Создаёт рекуррентную нейронную сеть, заданную ячейкой RNN cell. (устарело)

elu(...): Вычисляет экспоненциально-линейную функцию: exp(features) - 1 если < 0, features в противном случае.

embedding_lookup(...): Ищет ids в списке тензоров вложений.

embedding_lookup_sparse(...): Вычисляет векторы вложений для заданных идентификаторов и весов.

erosion2d(...): Вычисляет серое эрозию 4-мерных value и 3-мерных kernel тензоров.

fixed_unigram_candidate_sampler(...): Выбирает множество классов, используя предоставленное (фиксированное) базовое распределение.

fractional_avg_pool(...): Выполняет дробное усредняющее объединение на входе. (устарело)

fractional_max_pool(...): Выполняет дробное максимальное объединение на входе. (устарело)

fused_batch_norm(...): Нормализация по партиям.

in_top_k(...): Указывает, находятся ли целевые значения в K лучших прогнозов.

l2_loss(...): Потеря L2.

l2_normalize(...): Нормализует по размеру axis с использованием L2 нормы. (устаревшие аргументы)

leaky_relu(...): Вычисляет функцию активации Leaky ReLU.

learned_unigram_candidate_sampler(...): Выбирает множество классов из распределения, выученного во время обучения.

local_response_normalization(...): Локальная нормализация по ответу.

log_poisson_loss(...): Вычисляет логарифмическую потерю Пуассона, заданную log_input.

log_softmax(...): Вычисляет логарифмические softmax-активации. (устаревшие аргументы)

log_uniform_candidate_sampler(...): Выбирает множество классов с использованием логарифмически-равномерного (Zipfian) базового распределения.

lrn(...): Локальная нормализация по ответу.

max_pool(...): Выполняет максимальное объединение на входных данных.

max_pool1d(...): Выполняет максимальное объединение на входных данных.

max_pool2d(...): Выполняет максимальное объединение на входных данных.

max_pool3d(...): Выполняет максимальное объединение на входных данных.

max_pool_v2(...): Выполняет максимальное объединение на входных данных.

max_pool_with_argmax(...): Выполняет максимальное объединение на входных данных и выводит как максимальные значения, так и индексы.

moments(...): Вычисляет среднее и дисперсию x.

nce_loss(...): Вычисляет и возвращает обучающие потери оценок шума-контраста.

normalize_moments(...): Вычисляет среднее и дисперсию, основанные на статистических данных.

pool(...): Выполняет N-мерную операцию объединения.

quantized_avg_pool(...): Производит усредняющее объединение входного тензора для квантованных типов.

quantized_conv2d(...): Вычисляет 2D свертывание, учитывая квантованные 4D входные и фильтры.

quantized_max_pool(...): Производит максимальное объединение входного тензора для квантованных типов.

quantized_relu_x(...): Вычисляет квантованное выпрямленное линейное X: min(max(features, 0), max_value)

raw_rnn(...): Создаёт RNN , заданную ячейкой RNN cell и функцией цикла loop_fn.

relu(...): Вычисляет выпрямленное линейное преобразование: max(features, 0).

relu6(...): Вычисляет выпрямленное линейное преобразование 6: min(max(features, 0), 6).

relu_layer(...): Вычисляет Relu(x * weight + biases).

safe_embedding_lookup_sparse(...): Ищет результаты вложения, учитывая недопустимые идентификаторы и пустые признаки.

sampled_softmax_loss(...): Вычисляет и возвращает потери выборки softmax для обучения.

scale_regularization_loss(...): Масштабирует сумму заданных потерь регуляризации на количество реплик.

selu(...): Вычисляет масштабированное экспоненциально-линейное преобразование: scale * alpha * (exp(features) - 1)

separable_conv2d(...): 2-мерное свертывание с раздельными фильтрами.

sigmoid(...): Вычисляет сигмоиду x поэлементно.

sigmoid_cross_entropy_with_logits(...): Вычисляет сигмоидальную кросс-энтропию, учитывая logits.

softmax(...): Вычисляет softmax-активации. (устаревшие аргументы)

softmax_cross_entropy_with_logits(...): Вычисляет softmax кросс-энтропию между logits и labels. (устарело)

softmax_cross_entropy_with_logits_v2(...): Вычисляет softmax кросс-энтропию между logits и labels. (устаревшие аргументы)

softplus(...): Вычисляет softplus: log(exp(features) + 1).

softsign(...): Вычисляет softsign: features / (abs(features) + 1).

space_to_batch(...): SpaceToBatch для 4-мерных тензоров типа T.

space_to_depth(...): SpaceToDepth для тензоров типа T.

sparse_softmax_cross_entropy_with_logits(...): Вычисляет разреженную softmax кросс-энтропию между logits и labels.

static_bidirectional_rnn(...): Создаёт двунаправленную рекуррентную нейронную сеть. (устарело)

static_rnn(...): Создаёт рекуррентную нейронную сеть, заданную RNNCell cell. (устарело)

static_state_saving_rnn(...): RNN, принимающий сохраняющий состояние для расчёта временной усечённой RNN. (устарело)

sufficient_statistics(...): Вычисляет достаточные статистики для среднего и дисперсии x.

swish(...): Вычисляет функцию активации Swish: x * sigmoid(x).

tanh(...): Вычисляет гиперболический тангенс от x поэлементно.

top_k(...): Находит значения и индексы k наибольших элементов для последнего измерения.

uniform_candidate_sampler(...): Выбирает набор классов с помощью равномерного базового распределения.

weighted_cross_entropy_with_logits(...): Вычисляет взвешенную кросс-энтропию. (устаревшие аргументы)

weighted_moments(...): Возвращает среднее и дисперсию x с весами частот.

with_space_to_batch(...): Выполняет op на пространственном представлении с разбиением на блоки input.

xw_plus_b(...): Вычисляет matmul(x, weights) + biases.

zero_fraction(...): Возвращает долю нулей в value.