鸢尾花分类所使用函数详解

张量（Tensor）：多维数组（列表）  

阶： 张量的维数

张量	阶	名字	例子
0-D	0	标量 scalar	s = 1,2,3
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 = [[[  n个....

#创建一个张量
tf.constant(张量内容，dtype=数据类型（可选）)
#例子
import tensorflow as tf
a = tf.constant([1,5], dtype=int64)
print(a)
print(a.dtype)
print(a.sharp)


# 创建一个全为0的张量
tf.zeros(维度)
#例子
tf.zeros([2,3]) # 创建了一个2行3列全为零的张量


#创建一个全为1的张量
tf.ones(维度)
#例子
tf.ones(4)  # 创建了一个一维的4个1的张量


#创建全为指定值的张量
tf.fill(维度，指定值)
#例子
tf.fill([2,3], 9)  #创建了一个2行3列全为9的张量

生成正态分布的随机数，默认均值为0，标准差为1

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

#例子
tf.random.normal([2,2], mean=0.5,stddev=1)

生成截断式正态分布的随机数

如果随机生成的数据在之外，则会重新生成，保证了生成值在均值附近。 

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

#例子
tf.random.truncated_normal([2,2], mean=0.5, stddev=1)

生成均匀分布随机数

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

#例子
tf.random.uniform([2,2], minval=0, maxval=1)

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)

#例子
x1 = tf.constant([1., 2., 3.], dtype=float64)

x2 = tf.cast(x1, tf.dtype=int32) # 转换为整型
tf.reduce_min(x2)
tf.reduce_max(x2)

理解axis

在张量或数组中，可以通过调整axis等于0或1控制执行的维度。

axis=0表示跨行（经度，down。纵向操作），axis=1表示跨列（纬度，across。横向操作），不指定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(x)

print(tf.reduce_mean(x))
print(tf.reduce_sum(x, axis=1))

tf.Variable() 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。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))

对应元素的四则运算(只有维度相同的张量才可以四则运算)

#两个张量的对应元素
#相加
tf.add(张量1, 张量2)

#相减
tf.subtract(张量1, 张量2)

#相乘
tf.multiply(张量1, 张量2)

#相除
tf.divide(张量1, 张量2)

平方、次方、开方

# 计算某个张量的
#平方
tf.square(张量名)

#n次方
tf.pow(张量名，n次方数)

#开方
tf.sqrt(张量名)

矩阵乘法

tf.matmul(矩阵1, 矩阵2)

特征和标签配对

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。

（Numpy和Tensor格式都可用该语句读入数据）

data = tf.data.Dataset.from_tensor_slices((输入特征, 标签）)

#例子
features = tf.constant([5,11,13,32])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Datasets.from_tensor_slices((features, labels))
print(datasets)
for element in dataset:
    print(element)

with结构记录计算过程，gradient求张量的梯度。

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


#例子
with tf.GradientTape() as tape:
    w=tf.Variable(tf.constant(3,0))
    loss=tf.pow(w, 2)
grad = tape.gradient(loss,w)
print(grad)

enumerate可以遍历每个元素（如：列表，元组，字符串），组合为: 索引  元素，常在for循环使用。

enumerate(列表名)

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

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()将待转换数据，转换为one_hot形式的数据输出。

tf.one_hot(待转换数据，depth=几分类)

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

tf.nn.softmax() 使输出符合概率分布

当n分类的n个输出（y0,y1,.....,yn-1）通过softmax()函数，便符合概率分布了。

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

assign_sub()

赋值操作，更新参数的值并返回。

调用assign_sub前，要先用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)

# 例子
w = tf.Variable(4)
w.assign_sub(1)
print(w)

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],[5,6,7],[8,9,2])
print(test)
print(tf.argmax(test, axis=0)) # 返回每一列（经度）最大值的索引
print(tf.argmax(test, axis=1)) # 返回每一行（维度）最大值的索引