tensorflow的基础类型定义及基本操作函数（tensorflow2版本）

前面几篇的博客已经讲解了python的三个常用的数据分析库，笔者终于开始tensorflow的学习😭（更新可能比较缓慢了）。

1.x版本代码在2.0中跑不了怎么办？

我下载书中的代码，发现1.x的代码一个都跑不动，于是找了好多解决方法，其中着这种方法最简单，直接加上这两行

import tensorflow.compat.v1 as tf	
tf.disable_v2_behavior()

亲测有效

数据类型

tensorflow里的所有类型都是一种特殊的数据对象中，这个对像称为张量对象（tensor），tensor是对numpy库的数据类型进行封装之后，满足tensorflow的运行机制

数值类型

标量
单个的实数，如 1.2, 3.4 等，维度(Dimension)数为 0，shape 为[]

向量
𝑛个实数的有序集合，通过中括号包裹，如[1.2]，[1.2,3.4]等，维度数为 1，长度不定，shape为[n]

矩阵
𝑛行𝑚列实数的有序集合，如[[1,2],[3,4]]，也可以写成
[1 2]
[3 4]
维度数为 2，每个维度上的长度不定，shape 为[𝑛, 𝑚]。

张量
tensorflow所有维度数dim>2的数组统称为张量。张量的维度也称轴（Axis）

字符串类型

除了丰富的数值类型张量外，TensorFlow 还支持字符串(String) 类型的数据

布尔类型

为了方便表达比较运算操作的结果，TensorFlow 还支持布尔类型(Boolean，简称 bool)
的张量

创建方法

我学习的过程中常用的函数，tf.constant(),tf.convert_to_tensor()
tf.constant(),这个函数是直接创建tensor类型数据
tf.convert_to_tensor()，这个函数是将其他类型数据转换成tensor类型

数据精度优化以及待优化张量

我们在进行模型训练的时候，对数据的类型以及精度有一定的要求，这时我们就要对数据进行优化

待优化张量

维度变换

基本的维度变换操作函数包含了

1.改变视图 reshape、

2.插入新维度 expand_dims删除维 度 squeeze、

4.交换维度 transpose、

5.复制数据 tile 等函数。

我们来看一下tf.tile()

由于tensorflow的复制函数耗费计算成本较大，一般上述的矩阵运算中出现的问题是由广播机制来实现

所以让我们来看一下广播机制解决y=x@w+b的两种等价形式以及tf.tile()函数实现（@这个符号意思时矩阵相乘）

识别手写数字，mnist数据集训练

import  os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息


import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import layers, optimizers, datasets # 加载 MNIST 数据集




(x, y), (x_val, y_val) = datasets.mnist.load_data()#导入数据集，分成两组
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.-1# 转换为浮点张量，并缩放归一化

y = tf.convert_to_tensor(y, dtype=tf.int32)# 转换为整形张量
y = tf.one_hot(y, depth=10) # one-hot 编码
print(x.shape, y.shape)
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))#构建数据集
train_dataset = train_dataset.batch(200)#批量计算

 


model = keras.Sequential([ 
    layers.Dense(512, activation='relu'),
    layers.Dense(256, activation='relu'),
    layers.Dense(10)])#搭建三层神经网络，将激活函数定为‘relu’

optimizer = optimizers.SGD(learning_rate=0.001)#优化器


def train_epoch(epoch):

    # Step4.loop
    for step, (x, y) in enumerate(train_dataset):


        with tf.GradientTape() as tape:
            # [b, 28, 28] => [b, 784]
            x = tf.reshape(x, (-1, 28*28))
            # Step1. compute output
            # [b, 784] => [b, 10]
            out = model(x)
            # Step2. compute loss
            loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]

        # Step3. optimize and update w1, w2, w3, b1, b2, b3
        grads = tape.gradient(loss, model.trainable_variables)
        # w' = w - lr * grad
        optimizer.apply_gradients(zip(grads, model.trainable_variables))

        if step % 100 == 0:
            print(epoch, step, 'loss:', loss.numpy())



def train():

    for epoch in range(30):

        train_epoch(epoch)