tensorflow2的常用函数记录与实例

刚学tensorflow框架，英文api文档找起来太麻烦，故学习之初先记录一些

创建一个tensor

1.创建常量

tf.constant(张量内容，dtype=数据类型（可选)）

如：a = tf.constant([1,5],dtype = tf.int64)

2.将其他类型的数据转换成tensor

tf.convert_to_tensor(数据名，dtype=数据类型（可选))

3.创建全为0的张量

tf.zero(维度)

4.创建全为1的张量

tf.ones(维度)

5.创建全为指定值的张量

tf.fill(维度，指定值)

6.生成正态分布的随机数，默认均值为0，标准差为1

tf.random.normal(维度，mean = 均值，stddev = 标准差)

如：

import tensorflow as tf


a  = tf.random.normal([2,2],mean = 0.5,stddev= 0.1)
print(a)

结果：

7.生成截断式正态分布的随机数——让生成的随机数更集中一些

tf.random.truncated_normal(维度，mean = 均值，stddev = 标准差)

import tensorflow as tf

a  = tf.random.truncated_normal([2,2],mean = 0.5,stddev= 0.1)
print(a)

结果：

 9.生成均匀分布随机数 [minval，maxval)    (左闭右开)

tf.random.uniform(维度，minval = 最小值， maxval = 最大值)

10.强制tensor转换为改数据类型

tf.cast(张量名，dtype = 数据类型)

11.计算张量维度上元素的最小值

tf.reduce_min(张量名)

12.计算张量维度上元素的最大值

tf.reduce_max(张量名)

13.计算张量沿着指定维度的平均值

tf.reduce_mean(张量名，axis=)

14.计算张量沿着指定维度的和

tf.reduce_sum(张量名，axis= )

15.将变量标记为可训练

tf.Variable()，被标记的变量会在反向传播中记录梯度数据。神经网络中常用该函数标记待训练参数,由此可以根据梯度下降更新参数

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

16.四则运算(张量对应元素，所以张量结构必须相同)

加，减，乘，除：tf.add（a,b）, tf.subtract(a,b), tf.multiply(a,b), tf.divide(a,b)

平方，开n次方，开方：tf.square（张量名）,tf.pow（张量名，n次方）,tf.sqrt（张量名）

矩阵乘法：tf.matmul

17.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

data = tf.data.Dataset.from_tensor_slices((输入特征，标签))

（numpy和tensor格式都可）

如：

import tensorflow as tf

features = tf.constant([1, 21, 31, 41],dtype= 'float64')
labels = tf.constant([1, 2, 3, 4],dtype= 'int32')
dataset = tf.data.Dataset.from_tensors((features,labels))
print(dataset)
for element in dataset:
    print(element)

结果：

 18.求导计算

# with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape() as tape :

若干计算过程

grad = tape.gradient(函数，求导对象)

如：

import tensorflow as tf

# 记得一定要加括号！
with tf.GradientTape() as tape :
    W = tf.Variable(tf.constant([2,3,4],dtype='float64'))
    loss = tf.pow(W,2)
grad = tape.gradient(loss,W)
print(grad)

结果:

19.将数据转换为独热码数据输出

tf.one_hot(带转换数据，depth = 类别个数)

如：

import tensorflow as tf

classes = 4
labels = tf.constant([1, 2, 3])
outputs = tf.one_hot(labels,depth=classes)
print(outputs)

结果：

20.tf.nn.softmax,让输出符合概率分布

如：

import tensorflow as tf

y = tf.constant([-3, 2, -7],dtype='float32')
y_p = tf.nn.softmax(y)
print(y_p)

结果：

21.自更新操作

赋值操作，更新参数的值并返回

调用assign_sub前，先用tf.Variable 定义变量为可训练（可自训练）

w.assign_sub(w要自减的内容)

如1：

import tensorflow as tf

w = tf.Variable(tf.constant([2, 3, 4]))
w.assign_sub([1,-1,2]) # 这里只能int32
print(w)

 结果：

如2：

import tensorflow as tf

w = tf.Variable(tf.constant(4))
w.assign_sub(1) # 这里只能int32
print(w)

结果：

 

w.assign_add(w要自加的内容)

如：

import tensorflow as tf

w = tf.Variable(tf.constant([2, 3, 4]))
w.assign_add([1,-1,2]) # 这里只能int32
print(w)

 结果：

 22.返回张量沿指定维度最大值的索引

tf.argmax(张量名，axis=)

如：

import tensorflow as tf

matrix = tf.constant([[1, 2, 3],
                      [3, 5, 4],
                      [8, 1, 7]])
print(matrix)
print(tf.argmax(matrix, axis=0))
print(tf.argmax(matrix, axis=1))

结果：