tensorflow笔记

tensorflow2.0:

建议直接使用2.0版本，与之前1.x版本有着截然不同的风格，安装时推荐anaconda+pycharm，anaconda最大的好处是能分隔不同的虚拟环境，在pycharm中ctrl+shift+s可以调配环境。
一个端到端的开源机器学习平台
兼顾易用性和执行效率：
在程序调试阶段用动态图，快速建立模型、调试程序
在部署阶段，采用静态图机制，提高模型的性能和部署能力

创建张量：

张量由Tensor类实现，为Tensor对象
a = tf.constant(value, dtype, shape) 创建张量
dtype=tf.float32（浮点的32位要快很多）
value: 数字，numpy,list, bool ,字符串
a.numpy()转为numpy的函数
tf.cast(a,dtype=tf.float32) 改变张量数据类型
bool -> 数 1和0
数 -> bool 非0的都是True
tf.convert_to_tensor() 转为张量
tf.is_tensor()
tf.reshape(tensor,shape) -1为自动推导
isinstance(…, tf.Tensor/np.ndarray)
特殊张量：
tf.zeros(shape, dtype) 全0
tf.ones() 全1
tf.fill(dims, value) 元素全相等
tf.random.normal(shape, mean缺省0, stddev缺省1, dtype) 正态分布的随机数张量
tf.random.truncated_normal(……) 截断正态分布， 2倍标准差截断
tf.random.set_seed(8) 随机种子，对于种子相等的，则结果一样
tf.random.uniform(shape, minval前闭后开 , maxval,dtype) 均匀分布
tf.random.shuffle(张量或列表、……) 打乱第一维的张量
tf.range()

张量运算：

加减乘除：
	tf.add(x,y)	加
	tf.substract(x,y)	减
	tf.multiply(x,y)	乘
	tf.devide(x,y)	除
	tf.math.mod(x,y)	取模
	逐元素运算，并要求数据类型一致
幂指对数：
	tf.pow（x,y）	幂次方，y可以使数字、张量
	tf.square(x)	平方
	tf.sqrt(x)	平方根
	tf.exp(x)	e的……次方
	tf.math.log(x)	ln，以e为底，换底公式
其他:
	sign(x)	符号
	abs（x)	绝对值
	negative(x)	相反数
	reciprocal(x)	倒数
	ceil(x)	向上取整
	floor(x)	向下取整
	rint(x)	最接近的整数
	round(x)	逐元素最接近的整数
	maximum(x，y)	返回两tensor中的较大值
	minimum(x,y)	较小值
	cos(x),sin(x),tan(x)	
	acos(x)……
广播机制：
	要求最后一个维度长度相等
矩阵：
	tf.matmul(a,b)
	或 a@b
	取最后两维
统计数据:
	reduce_num(tensor, axis)
	reduce_mean(tensor, axis)最好转化为浮点数类型
	reduce_max(tensor, axis)
	reduce_min(tensor, axis)
	如果不指定axis，则为全局统计值
	求最值索引：
		tf.argmax()
		tf.argmax()
		如果不指定axis，则默认为0

维度变换：

增加维度：
	tf.expend_dims(input, axis)   增加维度为1
减少维度：（只能删除为1的维度）
	tf.squeeze(input, axis) 减少维度，若不指定，则将为1的维度都删了
增加和删除维度，只能长度为1操作，只是改变了张量的视图，不改变张量的存储顺序
交换维度：
	tf.transpose(a, perm)  二维数组则转置
改变了张量存储顺序
拼接张量：
	tf.concat([tensors], axis在哪个轴上)
分割张量：
	tf.split(value, num_or_size_splits(数或列表), axis=0)
拼接和分割，只能长度为1操作，只是改变了张量的视图，不改变张量的存储顺序
堆叠张量：
	tf.stack(values, axis)  
分解张量：
	tf.stack(……)

可训练变量和自动求导：

tf.Variable(v,dtype)
改变值：v.assign(）

两个参数都是布尔值，前者默认为False,为True时代表可以多次使用，但是最后要del tape
后者默认为True,为False需要手动添加监视  tape.watch(x) 这样x可以不是Variable
求二阶导数：