神经网络学习笔记（二）

tf常用数据类型

• tf.int32/tf.int64 : 整型
• tf.float32/tf.float64 : 浮点型
• tf.bool : 布尔型
• tf.string :字符串类型

tf常用函数

创建张量

创建张量

import tensorflow as tf
import numpy as np
a = tf.constant([1, 5], dtype=tf.int64)
print(a.dtype)  #显示<dtype:'int64'>
print(a.shape)  #显示(2,)  逗号隔开几个数字表示几维的，数字显示有几个元素

• numpy转换成tensorflow格式

a = np.arange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)

• 创建不同值的张量

tf.zeros([2, 3])   #创建全为0张量
tf.ones(4)     #创建全为1张量
tf.fill([2, 2], 9)   #指定值的张量

维度的表示

• 一维 ：直接写数字
• 二维 ：用[ 行， 列 ]
• 多维 ：用[ i, j, k, … ]

生成随机数张量

• 生成符合正态分布的随机数

tf.random.normal(维度, mean=均值, stddev=标准差 )

• 生成随机数在两倍标准差之内

tf.random.truncated_normal(维度, mean=均值, stddev=标准差)

• 生成均匀分布的随机数

tf.random.uniform(维度, minval=最小值, maxval=最大值)

张量运算

• 强制类型转换

tf.cast(张量名, dtype=数据结构)

• 计算指定张量维度上元素上最大值

tf.reduce_max(张量名, dtype=数据结构)

• 计算指定张量维度上元素上最小值

tf.reduce_min(张量名, dtype=数据结构)

• 计算张量沿着指定方向的平均值

tf.reduce_mean(张量名, axis=操作轴)

• 计算张量沿着指定维度的和

tf.reduce_sum(张量名, axis=操作轴)

上图为不同操作轴对应的值

• 将变量标记为可训练的

tf.Variable(初始值)

• 四则运算

tf.add()
tf.subtract()
tf.multiply()
tf.divide()

• 平方与开方

tf.square()   #平方
tf.pow(x, y)   # x^y
tf.sqrt()     #开方

• 矩阵乘法

tf.matmul()

总结

本节学习笔记主要总结了一些tensorflow库中常用的数据结构和一些常用的用于运算的函数函数，内容较为简单，下一节将会将重点放在模型训练过程中的一些函数以及一些预备知识