今天主要跟着up主学习了1.3-1.5节的内容(链接地址:1.3 tensorflow函数1_哔哩哔哩_bilibili),并把视频中老师讲到的常用的函数整理了一下。
1.基础知识
张量(tensor):多维数组(列表)
阶:代表张量的维数
维数 | 阶 | 名字 | 例子 |
0-D | 0 | 标量(scalar) | s=123(注:是一个数一百二十三) |
1-D | 1 | 向量(vector) | v=[1,2,3] |
2-D | 2 | 矩阵(matrix) | m=[[1,2,3], [4,5,6], [7,8,9]] |
n-D | n | 张量(tensor) | t=[[[……(注:有n层‘[‘) |
2.Tensorflow的数据类型
1)整型(tf.int)、浮点(tf.float)
整型(tf.int)、浮点(tf.float):这个表示的是保存的数据的精度。
例如:32位整型(tf.int32)、32位浮点(tf.float32)、64位浮点(tf.float64)
2)布尔型(tf.bool)
布尔型:也称为逻辑型,只有两个值,一个真(True),一个假(False)。
例如:tf.constant([True,False])(注:这里使用的tf.constant是创建张量的函数,后面会具体有介绍)
3)字符串型(tf.string)
例如:tf.constant(“Hello,world!”)
(注:详细的信息可以看这个博主写的:TensorFlow 数据类型 字符串类型 布尔类型 数值精度 读取精度_tensorflow 布尔或-CSDN博客)
3.创建张量(Tensor)
1)创建张量的函数和结构
tf.constant(张量内容,dtype=数据类型(可选))
举例:
import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64) # 创建张量
print(a) # 打印张量
print(a.dtype) # 打印张量数据类型
print(a.shape) # 打印张量形状(注:这里可以确定张量是几维的和里边有几个元素,这个例子打印出的结果会是(2, ),维数是看括号里面的逗号隔开了几个数字,元素数是看数字是几)
2)将numpy的数据类型转换为Tensor数据类型
tf.convert_to_tensor(数据名,dtype=数据类型(可选))
(注:因为很多时候给的数据类型都是numpy,所以需要学习怎么讲numpy数据类型转换维Tensor数据类型)
举例:
import tensorflow as tf
import numpy as np
a=np.arange(0,5) # 这个表示返回一个0-5步长为1的等差数组 (注:如果是括号内写一个元素,代表默认从0开始创建从0-括号内数字,步长为1的等差数组;如果括号内是两个元素则分别代表起点和终点,默认步长为1;如果括号内为三个元素,则第一个元素是起点,第二个元素是终点,第三个元素为步长)
b=tf.convert_to_tensor(a,dtype=tf.int64)
print(a)
print(b)
3)创建全为0的张量函数和结构
tf.zeros(维度)
(注:一维直接写个数;二维用[行,列];多维用[n,m,j,……])
4)创建全为1的张量函数和结构
tf.one(维度)
5)创建全为指定值的张量函数和结构
tf.fill(维度,指定值)
6)生成正态分布的随机数(默认均值为0,标准差为1)的张量函数和结构
tf.random.normal(维度,mean=均值,stddev=标准差)
7)生成截断式正态分布随机数的张量函数和结构
tf.random.truncated_normal(维度,mean=均值,stddev=标准差)
(注:这个函数可以保证生成的随机数在之内,其中
表示均值,
表示标准差)
8)生成均匀分布随机数的张量函数和结构
tf.random.uniform(维度,minval=最小值,maxval=最大值)
(注:这里的均匀分布的区间是[minva,maxval))
4.常用函数
1)强制将tensor转换为该数据类型的函数
tf.cast(张量名,dtype=数据类型)
2)计算张量维度上元素的最小值
tf.reduce_min(张量名)
3)计算张量维度上元素的最大值
tf.reduce_max(张量名)
4)理解axis
axis:在二维张量或数组中,可以调整axis来调整控制执行维度
axis=0:表示跨行
axis=1:表示跨列
5)计算张量沿指定维度平均值的函数
tf.reduce_mean(张量名,axis=操作轴)
6)计算张量沿指定维度的和的函数
tf.ruduce_sum(张量名,axis=操作轴)
(注:对于5)和6)如果不给定axis值,则认为是对所有元素求均值或者和)
7)标记可训练变量的函数
tf.Variable(初始值)
(注: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)
举例:
w=tf.Variable(tf.random.nomal([2,2],mean=0,saddev=1))
8)常用的数学运算函数
①对应元素的四则运算
加:tf.add(张量1,张量2)
减:tf.subtract(张量1,张量2)
乘:tf.multiply(张量1,张量2)
除:tf.divide(张量1,张量2)
(注:只有维度相同才可以进行对应元素四则运算)
②平方、次方、开方
平方:tf.square(张量名)
次方:tf.pow(张量名,n次方数)
开方:tf.sqrt(张量名)
③矩阵乘法
tf.matmul(矩阵1,矩阵2)
9)将标签和特征配对的函数
data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
tf.data.Dataset.from_tensor_slices((输入特征,标签)):表示的是切分张量的第一个维度,生成输入特征/标签对,构建数据集。
(注:Numpy和Tensor格式都可以用该语句读入数据)
10)某个函数对指定参数的运算
某个函数对指定参数的运算:在with结构中使用函数tf.GrandientTape
with tf.GrandientTape() as tape
若干个计算过程
grad=tape.gradient(函数,对谁求导)
(注:with结构是记录计算过程,gradient是求出张量的梯度)
11)枚举出每个元素的函数
enumerate(列表名):是python内建函数,可以遍历每个元素(如列表,元组,字符串),组合为:索引 元素,常用在for循环中使用。
举例:
seq=[‘one’,’tow’,’three’]
for i, element in enumerate(seq):
print(i,element)
(注:这里的i是表示接收索引号的元素名,element表示的是接收元素的元素名;此外,索引号会从0开始计数)
12)独热编码
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(待转换数据,depth=几分类):可以将待转换数据,转换为one-hot形式数据输出。
13)将网络输出的得分符合概率分布的结果的函数
tf.nn,softmax(x)
它的数学表达式为:
14)实现参数的自更新的函数
参数.assign_sub(参数要自减的内容)
(注:调用assign_sub前要先用tf.Variable定义变量为可训练(可自更新))
15)返回张量沿指定维度最大值的索引的函数
tf.argmax(张量名,axis=操作轴)