Tensorflow2.0常用函数汇总

以下所有内容均基于tensorflow2.0及以上版
并且每段代码开头以import tensorflow as tf为基础，这里我省略了，没有在每一段代码例子内填写。

1. tf.random.truncated_normal
   该函数用于强制转换数据类型
   用法：tf.random.truncated_normal(张量名,dtype=数据类型)
   代码例子：

a = tf.random.truncated_normal([2,3],0.5,1)
a1 = tf.cast(a,tf.int32)
print (a,a1,'\n')

2. tf.reduce_max/ reduce_min
   用于寻找该张量中全部元素的最大值
   代码例子：

#张量维度上所有元素的最大值
b = tf.reduce_max(a)
#张量维度上所有元素的最小值
c = tf.reduce_min(a)
print(b,'\n',c)

3. axis
   表示操作张量的方向，用于控制求均值的方向，去横向均值还是纵向均值.
   axis=0表示跨行计算（经度，down），=1表示跨列计算（维度，across）
   代码例子：

x = tf.constant([[1,2,3],
            [2,2,3]])
#求均值
print(tf.reduce_mean(x))
print(tf.reduce_mean(x,axis=1))
print(tf.reduce_mean(x,axis=0))
#求和
print(tf.reduce_sum(x))
print(tf.reduce_sum(x,axis=1))
print(tf.reduce_sum(x,axis=0))

4. tf.random.truncated_normal
   生成正态分布的随机数。
   用法：tf.random.truncated_normal (矩阵形状，mean=均值,stddev=标准差)，常用于初始化权重和偏置矩阵。
   代码例子：

a = tf.random.truncated_normal([2,3],0.5,1)
b = tf.random.truncated_normal([2,3],0,1)
c = tf.random.truncated_normal([3,2],0,1)

5. tf.random.truncated_normal
   生成截断式正态分布（相比正态分布更向均值集中）的随机函数
   用法：tf.random.truncated_normal（矩阵形状，mean=均值,stddev=标准差）
   代码例子：

f = tf.random.truncated_normal([2,3],0,1)

6. tf.Variable
   是将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。
   用法：tf.Variable(初始值)，神经网络训练中，常用该函数标记待训练参数
   代码例子：

#初始化参数w，使用
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
#或
a = tf.random.truncated_normal([2,3],0.5,1)
w = tf.Variable(a)

7. tensorflow还提供了数学运算
   加减乘除：tf.add(a,b), tf.subtract(a,b), tf.multiply(a,b), tf.divide(a,b)
   平方、次方、开方：tf.square(a,b), tf.pow(a,b), tf.sqrt(a,b)
   矩阵乘法：tf.matmul(b,c)

8. tf.data.Dataset.from_tensor_slices
   将输入矩阵的第一维度进行切分，生成：输入特征/数据标签数据，用于运算
   data = tf.data.Dataset.from_tensor_slices((输入特征，标签))

9. tf.GradientTape
   使用with构建计算过程时，使用gradient求张量的梯度
   用法：
   with tf.GradientTape() as tape:
   #若干计算过程
   grad = tape.gradient(函数,对谁求导)
   代码例子：

with tf.GradientTape() as tape:
#w初始值设为3
w = tf.Variable(tf.constant(3.0))
#损失函数设为w^2,因此导数为2w
loss = tf.pow(w,2)
#求导后带入w的数值
grad = tape.gradient(loss,w)

10. enumerate
    enumerate是python的内建函数，它可以遍历每个元素(如列表、元组或字符串)，组合为：索引 元素，常在for循环中使用
    用法：enumerate(列表名)
    代码例子：

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

11. tf.one_hot
    独热编码，分类问题经常需要使用独热编码进行标签
    若做花朵分类，共分成三类(0,1,2)，则独热编码表示标签1的方式为(0. 1. 0.),含义为：0%的可能为:0, 100%的可能为:1, 0%的可能为:2
    用法：
    tf.one_hot(待转换数据，depth=几分类)
    代码例子：

classes = 3
labels = tf.constant([1,0,2,1]) #输入的元素值最小为0，最大为2
output = tf.one_hot(labels,depth=classes)

12. tf.nn.softmax
    用于使n分类的n个输出符合概率分布
    代码例子：

y = tf.constant([1.01,2.01,-0.66])
y_pro = tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro)

13. assign_sub
    作用类似于：-=
    赋值操作，更新参数的值并返回。(一般用于w和b的自更新)
    调用assign_sub前，先用tf.Variable定义变量w为可训练（可自更新）
    w.assign_sub(w为需要自减的内容)
    代码例子：

w = tf.Variable(4.00)
w.assign_sub(1.5)
print(w)

14. tf.argmax
    返回张量指定维度维度的最大值索引号。注：请注意是索引号
    tf.argmax(张量名，axis=操作轴)
    代码例子：

import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
print(tf.argmax(test,axis=0)) #返回每一列(经度)最大值的索引号
print(tf.argmax(test,axis=1)) #返回每一行(纬度)最大值的索引号

print(tf.argmin(test)) #如果不设置数值，默认axis值为0
print(tf.argmin(test,axis=0)) #返回每一列(经度)最小值的索引号
print(tf.argmin(test,axis=1)) #返回每一行(纬度)最小值的索引号