tensorflow学习笔记（一）

安装

此处使用conda进行安装

//安装英伟达的SDK10.1版本
conda install cudatoolkit=10.1
//安装英伟达深度学习软件包
conda install cudnn=7.6
//安装tensor
conda install tensorflow=2.1

//说明，版本号如果不是一样的可以删除，前面两个安装如果不成功
就是不支持GPU。  

tensor中的数据类型

张量

张量简单来说就是多维数组。零阶张量就是一个常数，一阶张量就是一维数组，二阶张量就是二维数组…以此类推；

张量的生成

# 
tf.constant(张量内容,dtype=数据类型)

# 实例
import tensorflow as tf
a = tf.constant([1,2,3].dtype = tf.int32)
print(a)
print(a.dtype)
print(a.shape)

# 从numpy类型创建张量
tf.convert_to_tensor(numpy的数据类型, dtype=数据类型)

# 实例
import tensorflow as tf
num = np.array([1, 2, 4, 5])
num2 = tf.convert_to_tensor(num, dtype=tf.int64)
print(num2)

# 创建指定维度的全为0的张量，一维用常数即可，多维维度用一维数组的形式及进行表示
tf.zeros(维度)
# 创建指定维度的全为1的张量，一维用常数即可，多维维度用一维数组的形式及进行表示
tf.ones(维度)
# 创建指定维度的全为指定值的张量，一维用常数即可，多维维度用一维数组的形式及进行表示
tf.fill(维度，指定值)

# 实例
import tensorflow as tf
zero_tensor = tf.zeros([1, 2])
one_tensor = tf.ones(1)
same_tensor = tf.fill([2, 3], 3)
print(zero_tensor)
print(one_tensor)
print(same_tensor)

更多关于张量的操作看tensorFlow中的tensor类。可能后面会更一篇写这个类，暂时先不写了。

生成随机数

# 生成正态分布的随机数
tf.random.normal(维度，mean=均值，stddev=标准差)

# 实例
random = tf.random.normal([2, 3], mean=0, stddev=1)
print(random)

# 生成截断式正态分布的随机数。即如果生成的随机数的取值在（μ-2σ，μ+2σ）之外则重新进行生成
tf.random.truncated_normal(维度, mean=平均值, stddev=标准差)

# 生成均匀分布的随机数
tf.random.uniform(维度, minval=最小值, maxval=最大值)

# 实例
random2 = tf.random.uniform([1, 2], minval=2, maxval=4)
print(random2)

更多生成随机数的函数见tf.random这个类，后面可能会写

常用的tf函数

# 强制数据类型转换
tf.cast(张量名，dtype=数据类型)

# 实例
num1 = tf.constant([1, 2, 3], dtype=tf.int16)
num2 = tf.cast(num1,dtype=tf.float16)
print(num1)
print(num2)

# 计算张量中的最小值，不指定操作轴，则对整个张量进行计算
tf.reduce_min(张量名，axis=操作轴)
# 计算张量中的最大值，不指定操作轴，则对整个张量进行计算
tf.reduce_max(张量名)
# 计算张量的平均值，不指定操作轴，则对整个张量进行计算
tf.reduce_mean(张量名)
# 计算张量的和，不指定操作轴，则对整个张量进行计算
tf.reduce_sum(张量名)


# 实例
random3 = tf.random.normal([2,3],mean=0,stddev=1)
print(random3)
print(tf.reduce_min(random3),tf.reduce_max(random3),
	tf.reduce_mean(random3),tf.reduce_sum(random3))

# 将变量标记为可训练的，即被标记的变量会在反向传播中记录梯度信息。在神经网络训练中，常用该函数标记待训练的参数
tf.Variable(初始值)

# 实例，初始化神经网络中的权重
w=tf.Variable(tf.random.normal([2,3],mean=0,stddev=1))

# 返回张量沿指定轴最大值的索引
tf.argmax(张量名,axis=操作轴)

tensor中数学运算

1. tf.add(张量1，张量2)：加法
2. tf.subtract(张量1，张量2)：减法
3. tf.multiply(张量1，张量2)：乘法
4. tf.divide(张量1，张量2)：除法
   注：只有维度相同的张量才能进行四则运算
5. tf.square(张量名)：平方
6. tf.pow(张量名，n次方)：次方
7. tf.sqrt(张量名)：开方
8. tf.matmul(张量1，张量2)：矩阵乘

更多的函数见tf.tensor。

数据组合

# 将多个分片一一组合在一起
tf.data.Dataset.from_tensor_slices((分片1,分片2,...))

导数

# with结构记录计算过程，gradient求出张量的梯度
with tf.tf.GradientTape() as tape:
    若干计算过程
grad = tape.gradient(函数,指定的求导参数)


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

枚举

# 遍历每个元素（如列表、元组或字符串），组合为：索引 元素
enumerate

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

生成one_hot

tf.ont_hot(待转换数据，depth=分类的个数)

# 实例
class_num = 3
labels = tf.constant([2, 1, 0])
transed = tf.one_hot(labels, depth=class_num)
print(transed)

生成概率分布

tf.nn.softmax(张量)

参数的自更新

# 更新的自减操作。更新参数的值并返回。注意：在调用函数之前，变量必须为可训练的
调用的变量.assign_sub(幅度)

# 实例
ori = tf.Variable(3)
ori.assign_sub(1)
print(ori)