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