【TensorFlow】基础知识

张量的类型

**tf.Variable **: 变量 Tensor，需要指定初始值，常用于定义可变参数，例如神经网络的权重。
**tf.constant **: 常量 Tensor，需要指定初始值，定义不变化的张量。

import tensorflow as tf

v = tf.Variable([[1, 2], [3, 4]])  # 形状为 (2, 2) 的二维变量

c = tf.constant([[1, 2], [3, 4]])  # 形状为 (2, 2) 的二维常量

#输出张量的Numpy数组
c.numpy()

几个经常会用到的新建特殊常量张量的方法：

• tf.zeros：新建指定形状且全为 0 的常量 Tensor
• tf.zeros_like：参考某种形状，新建全为 0 的常量 Tensor
• tf.ones：新建指定形状且全为 1 的常量 Tensor
• tf.ones_like：参考某种形状，新建全为 1 的常量 Tensor
• tf.fill：新建一个指定形状且全为某个标量值的常量 Tensor

 c= tf.zeros([3, 3])  # 3x3 全为 0 的常量 Tensor
 c
 '''
 <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]], dtype=float32)>
 '''
d=tf.ones_like(c)  # 与 c 形状一致全为 1 的常量 Tensor
d
'''
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]], dtype=float32)>
'''
tf.fill([2, 3], 6)  # 2x3 全为 6 的常量 Tensor
'''
<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[6, 6, 6],
       [6, 6, 6]], dtype=int32)>
'''

tf.linspace(1.0, 10.0, 5, name="linspace") # 创建一些序列,创建一个等间隔序列。
"""
<tf.Tensor: shape=(5,), dtype=float32, numpy=array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ], dtype=float32)>
"""

tf.range(start=1, limit=10, delta=2)#创建一个数字序列。
"""
<tf.Tensor: shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9], dtype=int32)>
"""

张量的计算 Eager Execution

c
'''
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
       [3, 4]], dtype=int32)>
'''

 # 加法计算
c + c 
'''
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[2, 4],
       [6, 8]], dtype=int32)>
c
'''
 # 矩阵乘法
a = tf.constant([1., 2., 3., 4., 5., 6.], shape=[2, 3])
b = tf.constant([7., 8., 9., 10., 11., 12.], shape=[3, 2])
c = tf.linalg.matmul(a, b)  # 矩阵乘法
'''
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[ 58.,  64.],
       [139., 154.]], dtype=float32)>
'''
tf.linalg.matrix_transpose(c)  # 转置矩阵
'''
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 3],
       [2, 4]], dtype=int32)>
'''

自动求导
TensorFlow 中，你可以使用 tf.GradientTape 跟踪全部运算过程，以便在必要的时候计算梯度：

w = tf.Variable([1.0])  # 新建张量

with tf.GradientTape() as tape:  # 追踪梯度
    loss = w * w
   
grad = tape.gradient(loss, w)  # 计算梯度
grad

tf.GradientTape 会像磁带一样记录下计算图中的梯度信息，然后使用 .gradient 即可回溯计算出任意梯度，这对于使用 TensorFlow 低阶 API 构建神经网络时更新参数非常重要。
常用的模块
官方文档：TensorFlow

• tf.：包含了张量定义，变换等常用函数和类。
• tf.data：输入数据处理模块，提供了像 tf.data.Dataset 等类用于封装输入数据，指定批量大小等。
• tf.image：图像处理模块，提供了像图像裁剪，变换，编码，解码等类。
• tf.keras：原 Keras 框架高阶 API。包含原 tf.layers 中高阶神经网络层。
• tf.linalg：线性代数模块，提供了大量线性代数计算方法和类。
• tf.losses：损失函数模块，用于方便神经网络定义损失函数。
• tf.math：数学计算模块，提供了大量数学计算函数。
• tf.saved_model：模型保存模块，可用于模型的保存和恢复。
• tf.train：提供用于训练的组件，例如优化器，学习率衰减策略等。
• tf.nn：提供用于构建神经网络的底层函数，以帮助实现深度神经网络各类功能层。
• tf.estimator：高阶 API，提供了预创建的 Estimator 或自定义组件。