TensorFlow 2 基础概念语法

张量

阶	数学实例
0	标量（只有大小）
1	矢量（大小和方向）
2	矩阵（数据表）
3	3 阶张量（数据立体）
N	N 阶张量（自行想象）

数据类型

Tensor 类型	描述
tf.float32	32 位浮点数
tf.float64	64 位浮点数
tf.int64	64 位有符号整型
tf.int32	32 位有符号整型
tf.int16	16 位有符号整型
tf.int8	8 位有符号整型
tf.uint8	8 位无符号整型
tf.string	可变长度的字节数组
tf.bool	布尔型
tf.complex64	实数和虚数

代码

形状为 (2, 2) 的二维变量:

v=tf.Variable([[1,2],[3,4]])

形状为 (2, 2) 的二维常量:

c = tf.constant([[1, 2], [3, 4]])

直接通过 .numpy() 输出张量的 NumPy 数组:

c.numpy()

• tf.zeros：新建指定形状且全为 0 的常量 Tensor

• tf.zeros_like：参考某种形状，新建全为 0 的常量 Tensor

• tf.ones：新建指定形状且全为 1 的常量 Tensor

• tf.ones_like：参考某种形状，新建全为 1 的常量 Tensor

• tf.fill：新建一个指定形状且全为某个标量值的常量 Tensor

• tf.linspace：创建一个等间隔序列。

• tf.range：创建一个数字序列。

矩阵乘法：

c = tf.linalg.matmul(a, b)

矩阵转置：

tf.linalg.matrix_transpose(c)

使用 tf.GradientTape 跟踪全部运算过程，以便在必要的时候计算梯度：

w = tf.Variable([1.0])  # 新建张量

with tf.GradientTape() as tape:  # 追踪梯度
    loss = w * w

grad = tape.gradient(loss, w)  # 计算梯度
grad

$$loss=w^2\to \frac{\partial loss}{\partial w}=2w$$

所以，当 w 等于 1 时，计算结果为 2。

常用模块

• tf.：包含了张量定义，变换等常用函数和类。
• tf.data：输入数据处理模块，提供了像 tf.data.Dataset 等类用于封装输入数据，指定批量大小等。
• tf.image：图像处理模块，提供了像图像裁剪，变换，编码，解码等类。
• tf.keras：原 Keras 框架高阶 API。包含原 tf.layers 中高阶神经网络层。
• tf.linalg：线性代数模块，提供了大量线性代数计算方法和类。
• tf.losses：损失函数模块，用于方便神经网络定义损失函数。
• tf.math：数学计算模块，提供了大量数学计算函数。
• tf.saved_model：模型保存模块，可用于模型的保存和恢复。
• tf.train：提供用于训练的组件，例如优化器，学习率衰减策略等。
• tf.nn：提供用于构建神经网络的底层函数，以帮助实现深度神经网络各类功能层。
• tf.estimator：高阶 API，提供了预创建的 Estimator 或自定义组件。