tensorflow常用函数整理

整理一下tensorflow中的一些常用函数，方便自己查找
张量Tensor的产生

1. tf.constant(张量内容，dtype=数据类型)：创建一个张量
2. tf.convert_to_tensor(数据名，dtype=数据类型)：将numpy的数据类型转换为Tensor数据类型
3. tf.zeros(维度)：创建全为0的张量
4. tf.ones(维度)：创建全为1的张量
5. tf.fill(维度，指定值)：创建全为指定值的张量
6. tf.random.normal(维度，mean=均值，stddev=标准差)：生成正态分布的随机数，默认均值为0，标准差为1
7. tf. random.truncated_normal(维度，mean= 均值，stddev= 标准差)：生成截断式正态分布的随机数
   
   8.tf. random. uniform( 维度，minval= 最小值，maxval= 最大值):生成均匀分布随机数 [ minval, maxval )
   （左闭右开）

张量的运算

1. tf.cast ( 张量名，dtype=数据类型）：强制tensor转换为该数据类型
2. tf.reduce_min (张量名）：计算张量维度上元素的最小值
3. tf.reduce_max ( 张量名)：计算张量维度上元素的最大值
4. tf.reduce_mean ( 张量名，axis= 操作轴)：计算张量沿着指定维度的平均值
5. tf.reduce_sum ( 张量名，axis= 操作轴)：计算张量沿着指定维度的和
6. tf.Variable( 初始值)： tf.Variable () 将变量 将变量 标记为“可训练” ，被标记的变量会在反向传播
   中记录梯度信息。神经网络训练中，常用该函数标记待训练参数。

数学运算

1. tf.add ( 张量1 ，张量2）：实现两个张量的对应元素相加

2. tf.subtract ( 张量1 ，张量2）：实现两个张量的对应元素相减

3. tf.multiply ( 张量1 ，张量2）：实现两个张量的对应元素相乘

4. tf.divide ( 张量1 ，张量2）：实现两个张量的对应元素相除，张量1为被除数
   需要额外注意，只有维度相同的张量才可以做四则运算

5. tf.square ( 张量名)：计算某个张量的平方

6. tf.pow ( 张量名，n次方数）：计算某个张量的n次方

7. tf.sqrt (张量名）：计算某个张量的开方

8. tf.matmul( 矩阵1 ，矩阵2)：实现两个矩阵的相乘
   注意： tf.matmul（）和tf.multiply ( 张量1 ，张量2）的运算不一样，前者是矩阵上的运算，计算方法和线性代数里面矩阵相乘相同，而后者只是对应元素相乘。

9. tf.data.Dataset.from_tensor_slices：切分传入张量的第一维度，生成输入特征/标签对，构建数据集 标签对，构建数据集data = tf.data.Dataset.from_tensor_slices(( 输入特征, 标签)）
   

10. tf.GradientTape（）：with 结构记录计算过程，gradient求出张量的梯度
    

11. enumerate（）：enumerate 是python 的内建函数，它可遍历每个元素(如列表、元组 如列表、元组或字符串 或字符串)， ， 组合为：索引 元素，常在 ，常在for循环中使用。
    

12. tf.one_hot ( 待转换数据, depth=几分类）： tf.one_hot() 函数将待转换数据，转换为one-hot形式的数据输出。
    

13. tf.nn.softmax（x）：当 当n 分类的n个输出 个输出 （ （y 0 ， ，y 1 , …… y n-1 ）通过 ）通过softmax( ) 函数，便符合概率分布了。
    

14. assign_sub（）：赋值操作，更新参数的值并返回。调用assign_sub 前，先用 tf.Variable 定义变量 w 为可训练（可自更新）。
    

15. tf.argmax ( 张量名,axis= 操作轴)：返回张量沿指定维度最大值的索引