Tensorflow学习第三课笔记——常用的函数

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)