tensorflow2.0-1

目录

 

张量生成

将numpy的数据类型转换为Tensof数据类型

生成正太分布的随机数，默认均值为0，标准差为1

生成截断式正太分布的随机数

生成均匀分布随机数[minval, maxval]

常用函数

理解axis

tf.Variable

TensorFlow中的数学运算

tf.data.Dateset.from_tensor_slices

tf.GradientTape() 

enumerate

tf.one_hot

tf.nn.softmax(x)

assign_sub

tf.argmax

---

张量生成

0阶   标量scalar

1阶    向量vector

2阶    矩阵 matrix

n阶     张量tensor [[[[ :表示有n个方括号

import tensorflow as tf
a = tf.contant([1,5], dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)

<tf.Tensor([1,5], shape=(2,), dtype=int64)
<dtype:'int64'>
(2,)

,隔开之后有几个数字就表示有几阶

(2,)所以表示是一维张量，这个张量里面有两个数字

如何创建一个Tensor？

将numpy的数据类型转换为Tensof数据类型

tf.convert_to_tensor(数据名，dtype=数据类型(可选))

import tensorflow as tf
import numpy as np
a = np.arrange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
print(a)
print(b)

运行结果
【0 1 2 3 4】
tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)

生成正太分布的随机数，默认均值为0，标准差为1

tf.random.normal(维度，mean=均值， stddev=标准差)

生成截断式正太分布的随机数

生成的元素都在两倍标准差之内，数据更向均值集中

tf.random.truncted_normal(维度，mean=均值，stdev=标准差)

在tf.random.truncted_normal中如果随机生成数据的取值在（）之外，则重新进行生成，保证了生成值在均值附近。

生成均匀分布随机数[minval, maxval]

tf.random.uniform(维度，minval=最小值，maxval=最大值)

常用函数

#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)
#计算张量维度上元素的最大值
tf.reduce_max(张量名)

x1 = tf.constant([1., 2., 3.]. dtype=tf.float64)
x2 = tf.cast(x1, tf.int32)
print(tf.reduce_min(x2))
print(tf.reduce_max(x2))

理解axis

在一个二维张量或数组中，可以通过调整axis等于0或1控制执行维度

• axis=0代表跨行（经度，down), 而axis=1代表跨列（纬度， across)
• 如果不指定axis，则所有元素参与计算

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)

例子

x = tf.constant([[1, 2, 3],[2, 2, 3]])

print(tf.reduce_mean(x))
#运行结果
# tf.Tensor(2, shape=(), dtype=int32) 表示返回了一个标量
print(tf.reduce_sum(x, axis=1))
#运行结果
#tf.Tensor([6 7], shape=(2,), dtype=int32)

axis=1:往右

axis=0:往下

tf.Variable

tf.variable(）将变量标记为可训练的，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，常用该函数标记待训练参数。

w = tf.Variable(tf.random.normal([2,2], mean=0, stddev=1))

TensorFlow中的数学运算

对应元素的四则运算: tf.add tf.substract, tf.multiply, tf.divide (张量1， 张量2) 只有维度相同的张量才可以做四则运算

平方、次方与开方: tf.square、tf.pow、tf.sqrt

矩阵乘: tf.matmul

例子：

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))

运行结果
tf.Tensor(
[[6. 6. 6.]
 [6. 6. 6.]
 [6. 6. 6.]], shape=(3,3), dtype=float32)

tf.data.Dateset.from_tensor_slices

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.Dataset.from_tensor_slices((输入特征，标签))

(Numpy和Tensor格式都可用该语句读入数据)

例子

tf.GradientTape() 

with结构记录计算过程，gradient求出张量的梯度

with tf.GrandientTape() as tape:
	若干个计算过程
grad = tape.gradient(函数，对谁求导)


with tf.GrandientTape() as tape:
	w = tf.Variable(tf.constant(3.0))
	loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)
print(grad)

运行结果

#()表示这是一个标量
tf.Tensor(6.0, shape=(), dtype=float32)

enumerate

是python的内建函数，它可遍历每个元素（如列表，元组或字符串）， 组合为:索引 元素，常在for循环中使用

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

运行结果
0	one
1	two
2	three

tf.one_hot

独热编码（one-hot encoding):在分类问题中，常用独热码做标签，标记类别: 1表示是， 0表示非。

tf.one_hot()函数将待转换数据，转换为ont-hot形式的数据输出

tf.one_hot(待转换数据，depth=几分类)

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

运行结果
tf.Tensor(
[[0. 1. 0.]
 [1. 0. 0]
 [0. 0. 1.]], shape=(3, 3). dtype=float32)

tf.nn.softmax(x)

当n分类的n个输出()通过softmax()函数，便符合概率分布了

使输出符合概率分布

例如

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

输出结果
After softmax, y_pro is: tf.Tensor([0.25598174 0.69583046 0.0481878], shape=(3,), dtype=float32)

assign_sub

• 赋值操作，更新参数的值并返回
• 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要自减的内容）

w.assign_sub(w要自减的内容)

w = tf.Variable(4)
w.assign_sub(1)  #等价于w -= 1 即 w = w - 1

print(w)

运行结果
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

tf.argmax

返回张量沿指定维度最大值的索引 tf.argmax(张量名， axis=操作轴)

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)) #返回每一列最大值的索引
print(tf.argmax(test, axis=1)) #返回每一行最大值的索引
运行结果

[[1 2 3]
 [2 3 4]
 [5 4 3]
 [8 7 2]]

tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,) dtype=int64)