tensorflow基本操作

tensor属性：

1，.device(当前tensor在哪个设备上）
2，.gpu/.cpu(对于tensor互换gpu或者cpu）
3，.numpy(把tensor转换成numpy类型）
5，.ndim(判断参数的维度)==.rank(用的少）
6，.is_tensor(判断参数是不是tensor)
7， .dtype(判断类型）
8，.trainable(判断是否可求导）

类型转换：

1，tf.convert_to_tensor(a,dtype=tf.)（数据转换为tensor)
2，tf.cast(a,dtype=tf.)(tf内类型互相转换）
3，tf.Variable（a,name='')
4，int(a)/float(a)标量tensor转换为整型浮点型

创建tensor:

1,  tf.zeros([1,2,3])创建的为维度为1,2,3的值为0的三维tensor//ones等同
2，tf.zeros_like（a)==tf.zeros(a.shape)//ones等同
3，tf.fill([2,2,3],9)初始化维度为2，2，3，每个数字都初始化为9的tensor
4,  tf.random.normal([2,2],mean=1,stddev=1)随机初始化均值为1，方差为1的2维的tensor(不指定的化默认是0，1分布）
5,  tf.random.truncated_normal([2,2],mean=0,stddev=1)截断分布（避免梯度弥散）
6，tf.random.uniform([2,2],maxval=10，dtype=tf.)（创建采样自[0,10)均匀分布的矩阵,类型默认为浮点型）
7，tf.range(1，5,delta=1)(可创建[1,5)之间，步长为1的整型序列

索引与切片：

1，基本索引：a[0][1](取a的tensor的第一维0索引和第二维1索引）（用的很少，不方便）
2，取类似于numpy的索引 a[0,1](和1结果相同）
3，切片a[2:4,5:9]
4,  隔步长采样：start:end:step[1:4:1](1,2,3,4)
5,  逆序采：a[::-1]（从最后一个元素采到第一个元素）
6，a=[0,1,2,3] ,a[2::-2](2,0)
7,  ...(好像很牛逼）可以省略任意连续的：（但是：号的位置必须能从逻辑上推断出来）
8，tf.gather(a,axis=0,indices=[2,3])(第一个维度索引第二和第三个）
9，tf.gather_nd(a.shape=[4,35,8]；tf.gather_nd(a,[0,1,2])([])；tf.gather_nd(a,[[0,1,2]])([1]))([[]])内层括号为联合索引
10，tf.boolean_mask
	a=tf.ones([2,3,4])
	tf.boolean_mask(a,mask=[[True,False,False],[False,True,True]])(shape=(3,4))

维度变换：

1，tf.reshape:不同view对数据存储是不影响的。
2，tf.transpose（a,perm=[0,1,3,2]):转置（对数据存储有影响）
3，tf.expand_dims(a,axis=0），在0号轴之前位置添加一个维度
4，tf.expand_dims(a,axis=-2),在-2轴之后添加一个维度
5，tf.squeeze(a,axis=-2)去掉当前axis为-2,维度为1的轴，如果不指定axis,则去掉tensor中所有维度为1的轴

数学运算：

1，//整除;  %余除;  tf.math.log()log;  tf.exp()e^x;  tf.math.log(2)/tf.math.log(10)log2以10为底；
2，b**3==tf.pow(b,3)（b的三次方）； tf.sqrt(b)(根号下b)
3,  矩阵简单相乘 a@b 
4，矩阵有batch相乘（tf.matmul() 和@都可以）

tensor合并与分割：

1，tf.concat([a,b],axis=0)把a,b的0轴进行拼接
2,  tf.stack([a,b],axis=0)在0轴之前添加一个新的维度
3，tf.unstack(c,axis=0)把0轴拆开分为维度为1的tensor
4，tf.split(c,axis=3,num_or_size_splits=2)若3轴有8个，则分为4，4
	tf.split(c,,axis=3,num_or_size_splits=[2,2,4])按三轴分为2，2，4

tensor的数据统计：

1，tf.norm(a，ord=1,axis=1)在1轴上求第一范式，不设置ord参数的话默认为2范式
2，tf.reduce_min(a,axis=1),在1轴上求最小值，不设定axis的话则认为在全局求最小值
3，tf.argmax(a)返回最大值的位置
4，tf.equal(a,b)逐元素比较
5，tf.reduce_sum(tf.cast(tf.equal(a,b),dtype=tf.int32))确认a,b相等的个数
6，tf.unique(a)返回不重复tensor,并返回重复列表在不重复列表中的位置输入：[4,2,2,4,3],返回：[0,11,0,2]
	还原：tf.gather(unique,idx)
		[4,2,3],[0,11,0,2]([4,2,2,4,3])

tensor排序：

1，tf.sort（a,direction='DESCENDING')返回降序排列后的结果，不写direction参数是默认升序排列
2，tf.argsort(a,direction='DESCENDING')返回降序排列后的位置结果
3，tf.math.top_k(a,2)返回升序排列后的前两个值，对其返回的tuple进行.indices操作可得到排序的索引，.values可得到其排序值

tensor填充与复制：

1，tf.pad(a,[1,2],[2,2])在2维的a上边加一行，下边加两行，左边加两行，右边加两行
2，tf.tile(a,[1,2])表示a的第一个维度不变，第二个维度复制一倍
3，tf.broadcast_to和tf.tile使用方法一致，但是实际上不增加存储，所以推荐使用

tensor限幅：

1，tf.clip_by_value(a,2,8)当a<2时，取2，当a>8时，取8
2，tf.nn.relu(a)=tf.maximum(a,0)
3,  tf.clip_by_norm （）等比例放缩，且不会影响梯度的方向
4，tf.clip_by_global_norm（）可以进行多参数的缩放，避免梯度弥散和梯度爆炸

tensor高阶操作：

1，tf.where  a=random.normal([3,3]);mask=a>0;(tf.boolean_mask(a,mask);)==(indices=tf.where(mask);tf.gather_nd(a.indices);)
2，tf.where(mask,a,b)true从a采，false从b采
3，scatter_nd(indices,updates,shape)在全0的shape上更新indices位置为updates)
4,   meshgrid 返回x,y两个tensor存着设定的坐标