tensorflow常用函数

张量：多维数组

#零向量
tf.zeros()
#1数组
tf.ones()
#自定义全a数组
tf.fill([2,2],a)#2*2大小
#创建常量
tf.constant(内容,dtype=数据类型）
#生成正态随机数
tf.random.normal(维度,mean=均值,stddev=标准差)
#生成截断式正态随机数，数据更加集中
tf.random.trancated_normal()
#均匀分布随机数
tf.random.uniform(维度,minval=,maxval=)
#更改数据类型
tf.cast(张量名,dtype=)

计算与查找

#加减乘除，需要大小一致
tf.add()
tf.subtract()
tf.multiply()#对应元素相乘
tf.divide()
#平方
tf.square()
#n次方
tf.pow()
#开方
tf.sqrt()
#矩阵乘
tf.matmul()
#查找值
tf.reduce_min(张量名)
tf.reduce_max()
tf.reduce_mean()
tf.reduce_sum(张量名,axis=)#某维度累加
tf.argmax(张量名,axis=维度)#维度最大值索引值
#判断真假
tf.where(条件,A,B)#真返回A，假返回B
#竖直方向叠加
tf

神经网络相关

#输入（特征，标签）
tf.data.Dataset.from_tensor_slices((输入特征,标签))
#梯度
tf.GradientTape()
grad=tf.GradientTape().gradient(函数,求导对象)
#one_hot码，各类别概率
tf.one_hot(待转换数据，depth=分类数)
#定义变量（w）
tf.Variable()
#更新参数
w.assign_sub()#自减
#激活函数
tf.nn.sigmoid(x)
tf.nn.relu(x)
#损失函数
tf.losses.categorical_crossentropy(y_,y)
#softmax+交叉熵
tf.nn.softmax_cross_entropy_with_logits(y_,y)