Tensorflow2 的常用函数（二）

11. tf.data.Dataset.from_tensor_slices()数据集切片

该函数是dataset核心函数之一，它的作用是把给定的元组、列表和张量等数据进行特征切片。切片的范围是从最外层维度开始的。如果有多个特征进行组合，那么一次切片是把每个组合的最外维度的数据切开，分成一组一组的。

import tensorflow as tf

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

结果：

(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

也就是说，12-0 23-1 10-1 17-0 分别对应。在制作和使用数据集的时候，常常用此函数将特征标签进行组合。

12. tf.GradientTape() 求导

梯度下降求导的核心函数。 这里

import tensorflow as tf

with tf.GradientTape() as tape:
    x = tf.Variable(tf.constant(3.0))
    y = tf.pow(x, 2)
grad = tape.gradient(y, x)
print(grad)

y的值是x的平方，对x进行求导，结果是2x=6。如下：

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

13. enumerate() 枚举

python 自身的枚举类型函数。遍历的时候，第一个元素是起始位置，第二个元素为值。

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

输出结果：

0 one
1 two
2 three

14. tf.one_hot() 独热编码

首先肯定需要解释下什么叫做独热编码（one-hot encoding），独热编码一般是在有监督学习中对数据集进行标注时候使用的，指的是在分类问题中，将存在数据类别的那一类用X表示，不存在的用Y表示，这里的X常常是1， Y常常是0。例如：有一个5类分类问题，我们有数据(Xi,Yi)，其中类别Yi有五种取值（因为是五类分类问题），所以如果Yj为第一类那么其独热编码为： [1,0,0,0,0]，如果是第二类那么独热编码为：[0,1,0,0,0]，也就是说只对存在有该类别的数的位置上进行标记为1，其他皆为0。
那么tf.one_hot()又是如何使用呢？ 深度classes可以理解为列数，另外还需要有需要编码的标签。在下面这个例子中，4对应的是位置5，也就是[0][4]。所以最后一个元素为1。第二行数据0明显对于第一个元素[1][0]。

import tensorflow as tf

classes = 5
labels = tf.constant([4, 0, 3])  # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels, depth=classes)
print("result of labels1:", output)
print("\n")

输出结果：

result of labels1: tf.Tensor(
[[0. 0. 0. 0. 1.]
 [1. 0. 0. 0. 0.]
 [0. 0. 0. 1. 0.]], shape=(3, 5), dtype=float32)

15. tf.nn.softmax() 概率输出

经过softmax层后输出的概率。一般来说，数值越大，输出概率越高。负数的概率最小，正数最大，0最小。 至于softmax()的推导，这里不解释。

import tensorflow as tf

y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)

print("After softmax, y_pro is:", y_pro)  # y_pro 符合概率分布
print("The sum of y_pro:", tf.reduce_sum(y_pro))  # 通过softmax后，所有概率加起来和为1

输出的结果：

After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)
The sum of y_pro: tf.Tensor(1.0, shape=(), dtype=float32)

16.tf.squeeze() 删除

这个张量是将原始input中所有维度为1的那些维都删掉的结果。为什么要删掉呢？主要是为了观测对比效果。
例如：

import tensorflow as tf

x1 = tf.constant([[5.8, 4.0, 1.2, 0.2]])  # 5.8,4.0,1.2,0.2（0）
w1 = tf.constant([[-0.8, -0.34, -1.4],
                  [0.6, 1.3, 0.25],
                  [0.5, 1.45, 0.9],
                  [0.65, 0.7, -1.2]])
b1 = tf.constant([2.52, -3.1, 5.62])
y = tf.matmul(x1, w1) + b1
print("x1.shape:", x1.shape)
print("w1.shape:", w1.shape)
print("b1.shape:", b1.shape)
print("y.shape:", y.shape)
print("y:", y)

#####以下代码可将输出结果y转化为概率值#####
y_dim = tf.squeeze(y)  # 去掉y中纬度1（观察y_dim与 y 效果对比）
y_pro = tf.nn.softmax(y_dim)  # 使y_dim符合概率分布，输出为概率值了
print("y_dim:", y_dim)
print("y_pro:", y_pro)

结果：观察y_dim与 y 几乎完全相同

w1.shape: (4, 3)
b1.shape: (3,)
y.shape: (1, 3)
y: tf.Tensor([[ 1.0099998   2.008      -0.65999985]], shape=(1, 3), dtype=float32)
y_dim: tf.Tensor([ 1.0099998   2.008      -0.65999985], shape=(3,), dtype=float32)
y_pro: tf.Tensor([0.2563381  0.69540703 0.04825491], shape=(3,), dtype=float32)

17.assign_sub() 自减函数

设定值为自减一。x的最终值为3

import tensorflow as tf

x = tf.Variable(4)
x.assign_sub(1)
print("x:", x)  # 4-1=3

18.tf.argmax() 最大值索引

可选参数axis=0,axis=1。分别代表列和行。注意返回值是索引。

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:\n", test)
print("每一列的最大值的索引：", tf.argmax(test, axis=0))  # 返回每一列最大值的索引
print("每一行的最大值的索引", tf.argmax(test, axis=1))  # 返回每一行最大值的索引

结果

每一列的最大值的索引： tf.Tensor([3 3 1], shape=(3,), dtype=int64)
每一行的最大值的索引 tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)

19.tf.greater(a, b) 判断大小

a的值大返回a，b的值大返回b。可以扩展到多维。例子看20。

20.tf.where() 选择条件语句

类似于c语言 a>b?a:b 但是不完全一样，可以扩展到多维。

import tensorflow as tf

a = tf.constant([1, 2, 3, 1, 1])
b = tf.constant([0, 1, 3, 4, 5])
c = tf.where(tf.greater(a, b), a, b)  # 若a>b，返回a对应位置的元素，否则返回b对应位置的元素
print("c：", c)

a的前两位较大，返回a。b的后两位较大，返回b。所以结果如下：

c： tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)