根据学习的进度更新代码
Chap1
import tensorflow as tf
import numpy as np
# 1、创建张量
a = tf.constant([1, 5], dtype=tf.int64) # 生成一个张量
print(a) # 输出张量
print(a.dtype) # 张量形式
print(a.shape) # 张量的形状(维数及一个维度中元素个数)逗号隔开数字个数表示张量的维数 数字表示每个维度中元素的个数
# 2、numpy数组转化为张量
a = np.arange(1,5) # 使用numpy中arange函数生成一个numpy的数组
b = tf.convert_to_tensor(a, dtype=tf.int64) # 将numpy中的数组转化为tensorflor里的张量
print(a)
print(b)
# 3、tensorflow中的zeros,ones,fill函数
a = tf.ones(4)
print(a)
b = tf.zeros([2,3]) # ones zeros fill 第一个参数都是表示生成数据的维度及维度上元素的个数,[]中有几个数字就是几个维度,数字是多少就是元素个数
print(b)
c = tf.fill([2,3,4],5) # fill 的第二个参数就是张量的元素
print(c)
# 4、生成正态分布、均匀分布随机数
# 生成两行两列的均值为1标准差为1的张量
a = tf.random.normal([2,2],mean=0,stddev=1)
# 生成两行两列的均值为1标准差为1的张量 且保证数据在[mean-2stddev,mean+2stddev]之间
b = tf.random.truncated_normal([2,2],mean=0,stddev=1)
# 生成两行两列的张量,元素服从U(minval,maxval)均匀分布
c = tf.random.uniform([2,2],minval=0,maxval=1)
print(a)
print(b)
print(c)
# 5、强制类型转换
a = tf.constant([1,2],dtype=tf.int64) # 生成数据类型为int64的张量
tf.cast(a,dtype=tf.float32) # 将数据类型转化为float32 注意!不是改变a 而是返回一个元素值与a相同 但是元素类型不同的新张量
print(a)
a = tf.cast(a,dtype=tf.float32) # 将函数值赋给a 张量a的数据类型才会改变
print(a)
# 6、常用运算
a = tf.constant([[1,2,3],[4,5,6]],dtype=tf.int64)
print