张量、进程线程学习笔记

装量、进程线程学习笔记
张量的阶
阶 数学实例 python 例子
0 纯量 （只有大小） s=483
1 向量 （大小和方向） v=[1.1,2.2,3.3]
2 矩阵 （数据表) m=[[1,2,3],[4,5,6]]
3 3阶张量 （数据立体） t=[[[2],[4],[6]],[[3],[4],[5]],[[1],[2],[3]]]
n n阶张量

张量的数据类型

张量的动态形状和静态形状：在于有没有形成一个新的张量
静态形状：
创建一个张量，初始状态的形状
tf.Tensor.get_shape:获取静态数据
tf.Tensor.set_shape():更新Tensor对象的静态形状，通常由于在不能直接推断的情况下
动态形状
一种描述原始张量在执行过程中的一种形状（动态变化）
tf.reshape:创建一个具有不同动态形状的新张量
对于静态形状来说，一旦形状固定就不能在重新设置
对于动态性状可以创建一个新的张量，改变时一定注意元素数量要匹配，不能跨维度修改 1D–>1D 2D–>2D

张量的操作–生成张量
固定值张量
tf.zeros(shape,dtype=tf.float32,name=None)
创建所有元素为零的张量此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量
tf.zeros_like(tensor,dtype=tf.float32,name=None)
给tensor定单张量（），此操作返回张量tensor 与所有元素设置为零相同的类型和形状的张量
tf.ones(shape,dtype=tf.float32,name=None)
tf.constant(values,dtype=None,name=‘Const’)
创建一个常数张量

创建随机张量

正态分布（高斯分布）
平均值、标准差
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)

#张量操作–张亮变换
改变类型
提供了改变张量中数值类型的函数
tf.string_to_number(string_tensor,out_type=None,name=None)
tf.to_double(x,name=‘ToDouble’)
tf.to_float(x,name=‘ToFloat’)
tf.to_int32(x,name=‘ToInt’)
tf.cast(x,dtype,name=None)#万能转换类型

切片与扩展
tf.concat(values,axis,name=‘concat’)
例如
a=tf.constant([1,2,3],[3,4,5])
b=tf.constant([3,5,7],[1,3,4])
tf.concat([a,b],axis=0,name=None)#axis=0按列合并，axis=0按行合并
tensorflow 中的API可以在一下网址中找到
https://www.tensorflow.org/versions/r1.0/api_guides/python/math_ops
https://tensorflow.google.cn/api_docs/python/tf/math

#变量
变量也是一种OP，是一种特殊的张量，能够进行持久化存储，他的值就是张量，默认被训练
变量的创建
tf.Variable(initial_value=None,name=None,trainable=True)
assign(value)
为变量分配一个新值
返回新值
eval(session=None)
计算并返回此变量的值
name属性表示变量的名字
1.变量OP能够进行持久化保存，普通张量op是不行的
2.当定义一个op的时候 ，一定要在会话中运行初始化
a=tf.constant([1,2,3,4,5,6])
var=tf.Variable(tf.random_normal([3,2],mean=0.0,stddev=1.0))
print(a,var)
#必须做一步全局初始化
init_op=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print(sess.run([a,var]))

#tensorboard
程序图结构---->web界面
序列化文件
summary：摘要
tf.summary.FileWriter(’/tmp/tensorflow/summary/test/’,graph=)返回filewriter

线性回归：w1x1+w2x2+w3x3+…+w_nxn +bias
算法 策略 优化
线性回归 均方误差 梯度下降API
学习率
1.准备好1特征和1目标值 100[100,1】
y=x*0.7 + 0.8
2.建立模型 准备一个权重w，一个偏置b
y_predict=xw+b
3.求损失函数，误差
loss 均方误差 （y1-y1’)^2 + (y2-y2’)^2 + (y_100-y_100’)^2/100
4.梯度下降优化损失过程 指定学习率

矩阵相乘：（m行，n行）*(n行，1） （m行，1）+bias
矩阵运算:tf.matmul(x,w)
平方：tf.square(error)
均值：tf.reduce_mean(error)

梯度下降API
tf.train.GradientDescentOptimizer(learning_rate)
梯度下降优化
learning_rate :学习率，一般为
method :
minimize(loss)
return:梯度下降OP
线性回归模型代码：
import tensorflow as tf
def myregression():
‘’’