TensorFlow学习第一天

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 $y=x^2$在$x=3$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$L(\omega ,b)=\Vert X\omega +b-y{\Vert }^2$在$\omega =(1,2{)}^T$,$b=1$时分别对$\omega ,b$的偏导数，其中 $$X=\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right],Y=\left[\begin{array}{c}1\\ 2\end{array}\right]$$

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