3.2 Tensorflow基础运算

3.2 Tensorflow基础运算

1. 导入Tensorflow

import tensorflow as tf

2. 矩阵计算

TensorFlow是一个科学计算库，它使用 张量 （Tensor）作为数据的基本单位。

TensorFlow的张量在概念上等同于多维数组，我们可以使用它来描述数学中的标量（0 维数组）、向量（1 维数组）、矩阵（2 维数组）等各种量，示例如下：
$$\begin{gathered} A=\left[\begin{array}{cc}{a}_{1,1}& a_{1,2}\\ a_{2,1}& a_{2,2}\end{array}\right]B=\left[\begin{array}{cc}{b}_{1,1}& b_{1,2}\\ b_{2,1}& b_{2,2}\end{array}\right] \\ C=AB=\left[\begin{array}{cc}{a}_{1,1}\ast b_{1,1}+a_{1,2}\ast b_{2,1}& a_{1,1}\ast b_{1,2}+a_{1,2}\ast b_{2,2}\\ a_{2,1}\ast b_{1,1}+a_{2,2}\ast b_{2,1}& a_{2,1}\ast b_{1,2}+a_{2,2}\ast b_{2,2}\end{array}\right] \end{gathered}$$

tf.constant: 创建一个常量tensor，按照给出value来赋值，可以用shape来指定其形状。value可以是一个数，也可以是一个list。

tf.matmul: 将矩阵$a$乘以矩阵$b$，生成$a\ast b$

A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)
print(C)

输出内容如下：

tf.Tensor(
[[19 22]
 [43 50]], shape=(2, 2), dtype=int32)

输出成功，证明Tensorflow安装成功。

再例如：

# 定义一个随机数（标量）
random_float = tf.random.uniform(shape=())

# 定义一个有两个元素的零向量
zero_vector = tf.zeros(shape=(2))

# 定义两个2*2的常量矩阵
A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])

张量的重要属性是它的形状、类型和值。我们可以通过张量的shape、 dtype属性和numpy()方法获得。例如：

# 查看矩阵A的形状、类型和值
# 输出(2, 2)，即矩阵的长和宽均为2
print(A.shape) 

# 输出<dtype: 'float32'>
print(A.dtype)  

# 输出[[1, 2], [3, 4]]
print(A.numpy())  

输出内容如下：

(2, 2)
<dtype: 'int32'>
[[1 2]
 [3 4]]

在TensorFlow 中有大量的操作（Operation），可以让我们将已有的张量进行运算后得到新的张量。示例如下：

#计算矩阵A和B的和
C = tf.add(A, B)

#计算矩阵A和B的乘积
D = tf.matmul(A, B)

#输出
print(C)
print(D)

输出内容如下：

tf.Tensor(
[[ 6  8]
 [10 12]], shape=(2, 2), dtype=int32)
tf.Tensor(
[[19 22]
 [43 50]], shape=(2, 2), dtype=int32)

3. 自动求导机制

在机器学习中，我们经常需要计算函数的导数。TensorFlow 提供了强大的自动求导机制来计算导数。

在时执行模式下，TensorFlow 引入了tf.GradientTape()这个 “求导记录器” 来实现自动求导。

以下代码展示了如何使用tf.GradientTape() 计算函数$y(x)=x^2$在 $x=3$ 时的导数：

x = tf.Variable(initial_value = 3.) #x在3出
with tf.GradientTape() as tape:   # 在tf.GradientTape()的上下文内，所有计算步骤都会被记录以用于求导
    y = tf.square(x)
y_grad = tape.gradient(y, x)     #计算y关于x的导数
print(y, y_grad)

输出内容如下：

tf.Tensor(9.0, shape=(), dtype=float32) tf.Tensor(6.0, shape=(), dtype=float32)

这里 x 是一个初始化为 3 的 变量 （Variable），使用 tf.Variable() 进行声明。

与普通张量一样，变量同样具有形状、类型和值三种属性。

使用变量需要有一个初始化过程，可以通过在 tf.Variable() 中指定 initial_value 参数来指定初始值。这里将变量 x 初始化为 3

变量与普通张量的一个重要区别是它默认能够被 TensorFlow 的自动求导机制所求导，因此往往被用于定义机器学习模型的参数。
tf.GradientTape() 是一个自动求导的记录器。只要进入了 with tf.GradientTape() as tape的上下文环境，程序在这个环境中计算的步骤都会被自动记录。

X = tf.constant([[1., 2.], [3., 4.]])
y = tf.constant([[1.], [2.]])
w = tf.Variable(initial_value = [[1.], [2.]])
b = tf.Variable(initial_value = 1.)
with tf.GradientTape() as tape:
    L = tf.reduce_sum(tf.square(tf.matmul(X, w) + b - y))
w_grad, b_grad = tape.gradient(L, [w, b])
print(L, w_grad, b_grad)

输出内容如下;

tf.Tensor(125.0, shape=(), dtype=float32) tf.Tensor(
[[ 70.]
 [100.]], shape=(2, 1), dtype=float32) tf.Tensor(30.0, shape=(), dtype=float32)

这里， tf.square() 操作代表对输入张量的每一个元素求平方，不改变张量形状

tf.reduce_sum()操作代表对输入张量的所有元素求和，输出一个形状为空的张量

TensorFlow 中有大量的张量操作 API，包括数学运算、张量形状操作（如 tf.reshape()）、切片和连接（如 tf.concat()）等多种类型

可以通过查阅 TensorFlow 的官方 API 文档来进一步了解

API地址：https://tensorflow.google.cn/versions