TensorFlow 2基础入门操作记录
TensorFlow 2默认为即时执行模式,若要关闭即时执行模式,可调用tf.compat.v1.disable_eager_execution()
函数。
TensorFlow使用张量作为数据的基本单位,可以理解为多维数组,可以用它来表示数学上的标量(0维数组),向量(一维数组),矩阵(二维数组)等各种量,练习这些操作的代码如下:
#定义一个随机数
random_float = tf.random.uniform(shape=())
#定义一个有两个元素的零向量
zero_vector = tf.zeros(shape=(2))
A = tf.constant([[1., 2.], [3., 4.]])
B = tf.constant([[5., 6.], [7., 8.]])
张量的属性有形状,类型和值。
形状:shape,可以输出矩阵的长和宽;
类型:dtype,可以输出所定义元素的数据类型;
值:numy,输出此张量。
例如:
print(A.shape)
print(A.dtype)
print(A.numpy())
接下来时矩阵求和和求积运算:
C = tf.add(A, B)
D = tf.matmul(A, B)
print(C.numpy())
print(D.numpy())
**自动求导机制:**在即时执行模式下,TensorFlow引入tf.GradientTape()
这个“求导记录器”实现自动求导,下面是使用tf.GradientTape()
求函数
y
=
x
2
y = x^2
y=x2在
x
=
3
x = 3
x=3时的导数:
x = tf.Variable(initial_value=3.)#定义变量
with tf.GradientTape() as tape:
y = tf.square(x)
y_grad = tape.gradient(y, x)
print(y, y_grad)
上面代码中,变量x用tf.Variable()
声明,和张量一样,有形状,类型和值三种属性。可以指定initial_value
参数设定变量的初始值。变量与普通张量的一个重要区别是其能够默认背TensorFlow的自动求导机制求导,因此往往用于定义机器学习模型的参数。
接下来是对多元函数求偏导以及对向量或矩阵求导,下面展示如何使用tf.GradientTape()
计算函数
L
(
ω
,
b
)
=
∥
X
ω
+
b
−
y
∥
2
L(\omega ,b) = \lVert X\omega + b - y\rVert^2
L(ω,b)=∥Xω+b−y∥2在
ω
=
(
1
,
2
)
T
\omega = (1, 2)^T
ω=(1,2)T,
b
=
1
b = 1
b=1时分别对
ω
,
b
\omega, b
ω,b的偏导数,其中
X
=
[
1
2
3
4
]
,
Y
=
[
1
2
]
X = \begin{bmatrix} 1 & 2 \\ 3 & 4 \\ \end{bmatrix} , Y = \begin{bmatrix} 1 \\ 2 \\ \end{bmatrix}
X=[1324],Y=[12]
import tensorflow as tf
X = tf.constant([[1., 2.], [3., 4.]])
y = tf.constant([[1.], [2.]])
w = tf.Variable(initial_value=[[1.], [2.]])
b = tf.Variable(initial_value=1.)
with tf.GradientTape() as tape:
L = tf.reduce_sum(tf.square(tf.matmul(X, w) + b - y))
w_grad, b_grad = tape.gradient(L, [w, b])
print(L, w_grad, b_grad)
运行结果如下:
基础示例:线性回归
待更。。。
本文参考资料:https://tf.wiki/zh_hans/basic/basic.html#zh-hans-linear-regression