TensorFlow2学习笔记：2、TensorFlow常用函数汇总

TensorFlow常用函数汇总备忘

示例中包含生成张量的函数，不清楚怎么用的，可以复习一下张量生成的方法。

1、强制转换张量数据类型

函数使用：tf.constant(张量,dtype=数据类型)

示例：

import tensorflow as tf
a=tf.constant([1.,2.,3.],dtype=tf.float64)
print(a)
#强制转换张量数据类型
b=tf.cast(a,dtype=tf.int32)
print(b)

运行结果：

2、计算张量最大值、最小值

函数使用,计算最大值：tf.reduce_max(张量)
函数使用,计算最小值：tf.reduce_min(张量)
示例：

import tensorflow as tf
a=tf.constant([1.,2.,3.],dtype=tf.float64)
print(a) 
#计算张量维度上元素的最大值
print(tf.reduce_max(a))
#计算张量维度上元素的最小值
print(tf.reduce_min(a))

运行结果：

3、理解TensorFlow中的axis参数

二维张量数组中，可以通过调整axis的值为0或1，控制执行维度
axis=0 代表跨行，即纵向操作
axis=1 代表跨列，即横向向操作
如下图：

在tf中会经常用到这个参数，需要记住

4、张量求和

函数使用：tf.reduce_sum(张量,axis=0或1)
示例：

import tensorflow as tf
a=tf.constant([[1,2,3],
              [4,5,6]])
print(tf.reduce_sum(a,axis=0))#纵向求和
print(tf.reduce_sum(a,axis=1))#横向求和

运行结果：

5、张量求平均值

函数使用：tf.reduce_mean(张量,axis=0或1)
示例：

import tensorflow as tf
a=tf.constant([[1,2,3],
              [4,5,6]]) 

print(tf.reduce_mean(a,axis=0))#纵向求平均值
print(tf.reduce_mean(a,axis=1))#横向求平均值

运行结果：

6、 tf.Variable 函数，将变量标记为“可训练”

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

函数使用：tf.Variable（初始值）
示例：

import tensorflow as tf
w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1)) #将生成的正态分布随机数标记为可训练，这样在反向传播中就可以通过梯度下降，记录更新参数w了
print(w)

运行结果：

7、张量的加、减、乘、除运算

函数使用，张量加法运算：tf.add(张量,张量)
函数使用，张量减法运算：tf.subtract(张量,张量)
函数使用，张量乘法运算：tf.multiply(张量,张量)
函数使用，张量除法运算：tf.divide(张量,张量)

示例：

import tensorflow as tf
a=tf.ones([1,3])
b=tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))      #张量a + 张量b
print(tf.subtract(a,b)) #张量a - 张量b
print(tf.multiply(a,b)) #张量a * 张量b
print(tf.divide(a,b))   #张量a / 张量b

运行结果：

8、张量的平方、次方、开方运算

函数使用，张量平方运算：tf.square(张量)
函数使用，张量次方运算：tf.pow(张量,n) 几次方，n就是几
函数使用，张量开方运算：tf.sqrt(张量)
示例：

import tensorflow as tf
a=tf.ones([1,3])
b=tf.fill([1,3],3.)
print(a)
print(b) 
print(tf.square(b))    #得到张量b的平方
print(tf.pow(b,3))     #得到张量b的n次方，这里第二个参数是3，就是3次方
print(tf.sqrt(b))     #得到张量b的开方

运行结果：

9、矩阵相乘

函数使用：tf.matmul(矩阵1,矩阵2)
示例：

import tensorflow as tf
a=tf.ones([3,2])
b=tf.fill([2,3],3.)
print(tf.matmul(a,b))

运行结果：

10、特征和标签配对函数 tf.data.Dataset.from_tensor_slices

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
numpy和tensor都可以通过该语句读入数据

函数使用方法：tf.data.Dataset.from_tensor_slices((输入特征,标签))
示例：

import tensorflow as tf
f=tf.constant([12,23,10,17])  #特征集
labels=tf.constant([0,1,1,0]) #标签集
dataset=tf.data.Dataset.from_tensor_slices((f,labels))
print(dataset)
for element in dataset:
    print(element)

运行结果：

11、enumerate 遍历每个元素,组合为：索引 元素

示例：

import tensorflow as tf
a=['a','b','c','d']
for index,element in enumerate(a):
    print(index,element)

运行结果：

12、 独热编码 one-hot

** 在分类问题中，常用独热编码做标签**

• 标记类别 1：是 0：非

鸢尾花为例：

0 狗尾草鸢尾 1 杂色鸢尾 2 弗吉尼亚鸢尾

标签： 1 （也就是杂色鸢尾）

独热表示： 0 1 0

tf.one_hot函数将待转换数据转换为one-hot形式数据输出

使用方法： tf.one_hot(待转数据 , 几分类)

示例：

import tensorflow as tf
clases=3  #三分类
labels=tf.constant([1,0,2]) #标签集
output=tf.one_hot(labels,clases)
print(output)

运行结果：