强制tensor转换为该数据类型
tf.cast(张量名,dtype=数据类型)
计算张量维度上元素的最小值
tf.reduce_min(张量名)
九三张量维度上元素的最大值
tf.reduce_max(张量名)
import tensorflow as tf
x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)
print("x2", x2)
print("minimum of x2:", tf.reduce_min(x2))
print("maxmum of x2:", tf.reduce_max(x2))
x1: tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
x2 tf.Tensor([1 2 3], shape=(3,), dtype=int32)
minimum of x2: tf.Tensor(1, shape=(), dtype=int32)
maxmum of x2: tf.Tensor(3, shape=(), dtype=int32)
axis = 0 代表经度(down)
axis = 1 代表纬度(across)
计算张量沿着指定维度的平均值
tf.reduce_mean(张量名,axis=操作轴)
计算张量沿着指定维度的和
tf.reduce_sum(张量名,axis=操作轴)
tf.Variable()将变量标记为“可训练”,被标记的变量会在反向传播中记录梯度信息,在常用该函数标记待训练参数。
tf.Variable(初始值)
实现两个张量的对应元素相加:tf.add(张量1,张量2)
实现两个张量的对应元素相减:tf.subtract(张量1,张量2)
实现两个张量的对应元素相乘:tf.multipy(张量1,张量2)
实现两个张量的对应元素相除:tf.divide(张量1,张量2)
实现两个矩阵的相乘:tf.matmul(矩阵1,矩阵2)
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:data = tf.data.Datasetfrom_tensor_slices((输入特征,标签))
(numpy 和 tensor 格式都可用该语句读入数据)