【深度学习】Tensorflow2 Self-Learning Summary (Update at August 6th)

Noted that this self-learning notes is based on the tutorial from ML Study Jam 2020.

1 Tensorflow基础

Tensorflow 安装与环境配置

1.1 自动求导机制

tf.reduce_sum( )

代表对输入张量的所有元素求和，输出一个形状为空的纯量张量（可以通过axis参数来指定求和的纬度，不指定则默认对所有元素求和）。

‘x’ is [[1, 1, 1], [1, 1, 1]]

运算	code	result
求和	tf.reduce_sum(x)	6
按列求和	tf.reduce_sum(x,0)	[2, 2, 2]
按行求和	tf.reduce_sum(x, 1)	[3, 3]
按照行的维度求和	tf.reduce_sum(x, 1, keep_dims=True)	[[3], [3]]
行列求和	tf.reduce_sum(x, [0, 1])	6

1.2 基础示例：线性回归

np.dot( )

numpy.dot(a,b)

如果a和b都是一维数组，那么它返回的就是向量的内积。

import numpy as np
 
c = np.arange(0,9)
d = c[::-1]
np.dot(c,d) 

Out[35]: 84

如果a和b都是二维数组，那么它返回的是矩阵乘法。

import numpy as np
 
a = [[1, 0], [0, 1]]
b = [[4, 1], [2, 2]]
np.dot(a, b)

Out[1]: 
array([[4, 1],
       [2, 2]])

需要注意的是，np.dot(a,b) 和 np.dot(b,a) 得到的结果是不一定相同的。

常规科学计算库与tensorflow的对比

使用Numpy实现机器学习模型有两个痛点࿱