Tensorflow（九） —— 数据统计的方式

1. 主要方法

• 1、tf.norm(范数)
• 2、tf.reduce_min tf.reduce_max
• 3、tf.argmax tf.argmin
• 4、tf.equal Tensor的比较（元素比较）
• 5、tf.unique Tensor的独特值

2. 向量的范数

• 1、Eukl Norm(二范数) 根号下平方和
• 2、Max Norm(无穷范数) 最大的元素
• 3、L1-Norm(一范数) 元素绝对值求和

# ********************* concat
import numpy as np
import pandas as pd
import tensorflow as tf
# ********************* tf.norm(这儿仅考虑向量的范数)

# 计算一个Tensor的范数（即求所有元素的二范数）
a = tf.random.normal([3,6])
a1 = tf.norm(a)
print("a1:",a1)

# 自己实现求取Tensor的二范数
b = a
b1 = tf.sqrt(tf.reduce_sum(tf.square(b)))
print("b1:",b1)

# 求取任意轴上的任意范数
c = tf.random.uniform([4,28])

c1 = tf.norm(c)  # 计算该Tensor的二范数
print("c1:",c1)
c2 = tf.norm(c,axis = 0,ord = 2) # 计算沿0轴上元素的二范数
print("c2:",c2.shape)
c3 = tf.norm(c,axis = 1,ord = 1) # 计算沿1轴上元素的一范数
print("c3:",c3.shape)
c4 = tf.norm(c,axis = 1,ord = 2) # 计算沿1轴上元素的二范数
print("c4:",c4.shape)

3. reduce_min、reduce_max、reduce_mean

reduce为减维过程

# ********************** stack
"""
reduce为减维过程
"""
a = tf.ones([4,28])
a1 = tf.reduce_min(a) # 求取全局最小值
print("a1:",a1)
a2 = tf.reduce_min(a,axis = 0) # 沿0轴计算最小值
print("a2:",a2.shape)
a3 = tf.reduce_min(a,axis = 1) # 沿1轴计算最小值
print("a3:",a3.shape)

a4 = tf.reduce_max(a,axis = 1) # 沿1轴计算最大值
print("a4:",a4.shape)

a5 = tf.reduce_mean(a,axis = 0) # 沿0轴计算平均值
print("a5:",a5.shape)

4. argmax、argmin

• 1、concat约束：除了需要拼接那个轴可以不一致，其它所有轴都需要相同。
• 2、stack约束：所有轴都必须维持一致

a = tf.random.normal([28,3])

# 若不指定axis 则默认axis=0
a1 = tf.argmax(a)
print("a1:",a1.shape)

# 求取沿各个轴最大值或最小值的序号
a2 = tf.argmin(a,axis=1)
print("a2:",a2.shape)

5. tf.equal

比较两个张量的各个元素是否相同，返回布尔值

# ***************************** tf.equal
"""
比较两个张量的各个元素是否相同，返回布尔值
"""
a = tf.convert_to_tensor([0,1,2,3,5,4])
b = tf.range(6)
compare = tf.equal(a,b) # 返回比较结果，为布尔值
print("compare:",compare)
num = tf.reduce_sum(tf.cast(compare,dtype = tf.int32)) # 返回相同值的数量
print("num:",num)

# ********* tf.equal的主要应用之一：Accuracy
# 模拟一个预测结果
print(20*"*","Accuracy",20*"*")
predict = tf.random.uniform([1000,10],minval=0,maxval=1)
predict_num = tf.cast(tf.reduce_max(predict,axis = 1),dtype = tf.int32)

# 模拟一个真实y值
y = tf.cast(tf.random.uniform([1000],maxval = 0,minval = 10 ),dtype = tf.int32)

# 求取预测相符的数量
correct = tf.reduce_sum(tf.cast(tf.equal(predict_num,y),dtype = tf.int32))
print("correct:",correct)
acc = correct/1000
print("ACC:",acc)

6. tf.unique

• 用于去重的接口
• 返回值分为两部分：

1. 去重后的数据
2. 原来数据对应去重后数据的索引

# ************************ split
"""
unstack沿axis轴等分为axis轴shape的数量
split可以指定等分的数量
"""
# *********************** tf.unique
"""
用于去重的接口
返回值分为两部分：1、去重后的数据
                  2、原来数据对应去重后数据的索引
"""
a = tf.convert_to_tensor([1,2,5,4,2,1,4,5,4,5,4])
result,index = tf.unique(a)
print("result:",result)
print("index:",index)

# 去重后的数据恢复
b = tf.gather(result,index)
print(a,b)

本文为参考龙龙老师的“深度学习与TensorFlow 2入门实战“课程书写的学习笔记

by CyrusMay 2022 04 16