tensorflow常用基础函数汇总

1. tf.reduce_mean计算张量沿着指定维度的平均值

tf.reduce_mean(张量名,axis=操作轴)

2. tf.reduce_sum计算张量沿着指定维度的和

tf.reduce_sum(张量名，axis=操作轴)

3. tf.Variable ()将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，常用该函数标记待训练参数。

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

4. 对应元素的四则运算:tf.add，tf.subtract，tf.multiply,tf.divide ; 只有维度相同的张量才可以做四则运算

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)

5. 平方、次方与开方:tf.square,tf.pow,tf.sqrt

tf.square(张量名) tf.pow(张量名，n次方数) tf.sqrt(张量名）

6. 矩阵乘:tf.matmul

tf.matmul(矩阵1，矩阵2)

7. tf.data.Dataset.from_tensor_slices 构建特征/标签对数据集

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格式都可用该语句读入数据)

8. tf.GradientTape() 用途：记录计算过程并求导

with结构记录计算过程，gradient求出张量的梯度 with tf.GradientTape() as tape: 若干个计算过程 grad = tape.gradient(函数，对谁求导)

9. tf.one_hot 独热编码：在分类问题中，常用独热编码做标签，标记分类：1表示是，0表示非

tf.one_hot()函数将待转换数据，转换为one-hot形式的数据输出。 tf.one_hot(待转换数据，depth=几分类)

10. tf.nn.softmax() 使数据符合概率分布，softmax函数的作用就是归一化。

当n分类的n个输出（y0,y1,...yn-1）通过softmax函数便符合概率分布了 tf.nn.softmax(张量)

11. assign_sub 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w为可训练（可自更新） w.assign_sub(w要自减的内容)

12. tf.argmax() 返回张量沿着指定维度最大值的索引

tf.argmax(张量名，axis=操作轴)