tensorflow常用函数（一）

强制数据类型的转换：

tf.cast(张量名，dtype=数据类型）

此外，还有打印张量维度上元素进行处理的函数。如，最大值最小值的函数。
axis=0 沿着经度方向操作，axis=1沿着纬度方向操作。

tf.reduce_min(张量名，axis=操作轴）#打印张量一个方向上的上元素的最小值
tf.reduce_max(张量名，axis=1）#打印张量精度方向上元素的最大值，所有维度上的最大值。
tf.reduce_mean(张量名，axis=操作轴）#计算张量沿着指定维度上的均值
tf.reduce_sum(张量名，axis=操作轴）#计算张量沿着指定维度上的和。

tf.Variablle()函数可以将变量标记为“可训练”**，被标记的变量会在反向传播过程中记录梯度信息。
神经网络中，常用该函数来标记带训练的参数。

w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1)

张量的四则运算，要求维度相同。

tf.add(张量1，张量2）
tf.subtract(张量1，张量2）
tf.multiply(张量1，张量2）
tf.divide(张量1，张量2）

平方、次方、开方

tf.square(张量名）
tf.pow(张量名，n次方）#其实可以一个pow走天下，n可以为任意浮点类型的数据
tf.sqrt(张量名）

矩阵的乘法
tf.matmul（矩阵1，矩阵2）

神经网络在训练时，是把输入特征和标签配对后喂入网络的。
tensorflow中把标签和数据配对的函数为：

data=tf.data.Dataset.from_tensor_slices((输入特征，标签))#(numpy和tensor格式均可以用于语句读入数据）

求偏导运算：
梯度带：tf.GradientTape

with tf.GradientTape() as tape:
	若干的计算过程
grad=tape.gradient(函数，对谁求导）

比如下面的例子：

enumerate
用于建立元素与索引之间的关系，常在for循环中使用。
enumerate（列表名）

tf.one_hot 独热码：
用于表示每种元素的概率的一个编码方式。

tf.ont_hot(带转换数据，depth=几分类）

使 n分类n个输出的数值符合概率分布的函数：

tf.nn.softmax(x)

参数的自更新：
assign_sub
在调用这个自减操作时，首先要对其用Variable定义，使其能够做到自更新

w=tf.Variable(4)
w.assign_sub(1)
print(w)

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

import numpy as np
import tensorflow as tf

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print("test:\n", test)
print("每一列的最大值的索引：", tf.argmax(test, axis=0))  # 返回每一列最大值的索引
print("每一行的最大值的索引", tf.argmax(test, axis=1))  # 返回每一行最大值的索引