张量基本使用

最新推荐文章于 2024-07-25 13:55:48 发布

顺遂丶

最新推荐文章于 2024-07-25 13:55:48 发布

阅读量366

点赞数 1

文章标签： tensorflow 深度学习

本文链接：https://blog.csdn.net/Shunsui_/article/details/115428923

版权

张量

点击查看学习视频来源.
定义：多维数组(列表)
基本内容：
张量可以表示0阶到n阶的数组(列表)
阶:张量的维数
标量 0阶
向量 1阶
矩阵 2阶
张量 n阶
数据类型:
int 32 float 32 float 64
张量创建
创建张量:
格式： tf.constant(张量内容，dtype=数据类型(可选))

import tensorflow as tf
	a=tf.constant([1,5],dtype=tf.int 64)

生成截断式正态分布的随机数：

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

tf.zeros(维度)#创建全为0的张量
tf.ones(维度)#创建全为1的张量
tf.fill(维度，指定值)#创建指定值的张量

例如:

 a=tf.fill([2,2],9)
 pirint(a)
tf.tensor([[9 9][9 9]]，shape=(2，2)dtpye=int32)

将numpy的数据类型转换为tensor数据类型
tf.convert_to_tensor(数据名dtype=数据类型)

生成均匀分布随机数[minval,maxval] minval最大值 maxval 最小值

tf.random.uniform(维度，minval=0,maxval=1)

找到张量里面的最大最小值

tf.reduce_min(张量名)          
tf.reduce_max(张量名)

计算张量沿着指定维度的平均值
（axis=0 纵轴 axis=1 横轴不说明则对所有元素进行操作）

tf.reduce_mean(张量名，axis=操作轴)

计算沿着指定维度的和：

.tf.reduce_sum(张量名，axis=操作轴)

特征标签配对

features=tf.cinstant([12,23,10,17]) （value）
labels=tf.constant([0,1,1,0])  (key)
dataset=tf.data.Dataset.from_tensor_slices((features,labels))

张量基本运算：

tf.add(张量1，张量2)  #加
tf.subtract(张量1，张量2) #减
tf.multipiy(张量1，张量2) #乘
tf.divide(张量1，张量2)#除
tf.square(张量名)#平方
tf.pow(张量名，n次方数)#n次方
tf.sqrt(张量名)#开平方

矩阵乘法：

tf.matmul(矩阵1，矩阵2)

定义可训练（值可以更新）用于：
1、求导函数
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，对谁求导)

with tf.GradientTape() as tape:
  w=tf.Variable(tf.constant(3.0))
  loss=tf.pow(w,2)
grad=tape.gradient(w，2)

结果：
grad=6.0
2、更新值 assign_sub：

w=tf.Variable(w要自减的值)
w.assgin_sub(减数)

enumerate：返回张量的序列号
常在for循环中使用

seq=['one','two','three']
  for i element in enumerate(seq):
  print(i,element)

结果：

0 one
1 two
2 three

tf.nn.softmax符合概率分布（目前此部分代码模糊，需进一步学习此内容）：

y=tf.constant([1.01,2.01,-0.66])
y_pro=tf.nn.softmax(y)
print("After softmax,y_pro is:",y_pro)

tf.argmax(张量名，axis=操作轴)返回最大值的索引值：

import numpy as np
	test=np.array([
	[1,2,3]，
	[2,3,4],
	[5,4,3],
	[8,7,2]])
	print(tf.argmax(test,axis=0))#每一行最大值
	print(tf.argmax(test,axis=1))#每一列最大值
	tf.Tensor([3 3 1],shape(3,),dtype=int(64))
	tf.Tensor([2 2 0 0],shape(4,),dtype=int(64))