小白笔记：深度学习之Tensorflow笔记（四）

常用函数

tf.data.Dataset.from_tensor_slices((输入特征, 标签))
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，此函数对 Tensor 格式与 Numpy格式均适用，其切分的是第一维度，表征数据集中数据的数量，之后切分 batch等操作都以第一维为基础。例如：

featrure = tf.constant([12,23,10,17])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
	printI(element)

运行结果：

<TensorSliceDataset shapes: ((),()), types: (tf.int32, tf.int32))>  # （特征，标签）配对
(<tf.Tensor: id=9, shape=(), dtype=int32, numpy=12>, <tf.Tensor: id=10, shape=(),
dtype=int32, numpy=0>)
(<tf.Tensor: id=11, shape=(), dtype=int32, numpy=23>, <tf.Tensor: id=12, shape=(),
dtype=int32, numpy=1>)
(<tf.Tensor: id=13, shape=(), dtype=int32, numpy=10>, <tf.Tensor: id=14, shape=(),
dtype=int32, numpy=1>)
(<tf.Tensor: id=15, shape=(), dtype=int32, numpy=17>, <tf.Tensor: id=16, shape=(),
dtype=int32, numpy=0>)

tf.GradientTape()
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)

with tf.GradientTape( ) as tape:
	w = tf.Variable(tf.constant(3.0))
	loss = tf.pow(w,2) #loss=w2 loss’=2w
grad = tape.gradient(loss,w)
print(grad)

运行结果：

tf.Tensor(6.0, shape=(), dtype=float32)

enumerate（列表名）
enumerate是python的内建函数，它可遍历每个元素(如列表、元组或字符串)， 组合为：索引 元素，常在for循环中使用。

seq = ['one','two','tfree']
for i, element in enumerate(seq):
	print(i, element)

运行结果：

0 one
1 two
2 three

tf.one_hot(待转换数据，depth=几分类)
独热编码（one-hot encoding）：在分类问题中，常用独热编码做标签，标记类别：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。
例如：（0狗尾草鸢尾 1杂色鸢尾 2弗吉尼亚鸢尾）
标 签：1
独热码：（0 1 0）

classes = 3
labels = tf.constant([1,0,2]) # 输入的元素值最小为0，最大为2
output = tf.one_hot( labels, depth=classes )
print(output)

运行结果：

[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)

tf.nn.softmax
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。

y = constant([1.01,2.01.-0.66])
y_pro = tf.nn.softmax(y)
print("After softmax,y_pro id :", y_pro)

运行结果：

After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046
0.0481878], shape=(3,), dtype=float32)

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）。
利用 assign_sub 对参数实现自更新。使用此函数前需利用 tf.Variable定义变量 w为可训练(可自更新)，举例如下：

w = tf.Variable(4)
w.assign_sub(1)  # w - = 1 即 w  = w - 1
print(w)

运行结果：

<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

tf.argmax
tf.argmax(张量名，axis=操作轴)
tf.argmax (张量名,axis=操作轴)返回张量沿指定维度最大值的索引，维度定义与之前讲的一致。举例如下：

import numpy as np
import tensorflow as tf

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print(test)
print(tf.argmax(test, axis=0))  # 返回每一列（经度）最大值的索引
print(tf.argmax(test, axis=1))  # 返回，每一行（纬度）最大值的索引

运行结果：

[[1 2 3]
[2 3 4]
[5 4 3]
[8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)