目录
tf.data.Dateset.from_tensor_slices
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)