2023年4月8日周学习笔记

本周的学习有：

1、学习Web前端知识。并且结合 前端课 做了相关网页实践。

2、继续学习深度学习之tensorflow相关的内容。

3、搭建了项目需要的 代码运行环境

---

1、Web:

• 本周的网页设计是继上周 长师官网 页面设计的补充和完善。花费两周的课余时间，共写了562行代码成功实现。
• 存在的唯一问题就是 还没应用到 轮播图 。
• html代码主体（css代码写在了style标签里）：

 

•  网页结果

 

 

---

2、tensorflow（3）：

1、张量(Tensor) : 多维数组(列表)                                      阶：张量的维数

             维数            阶                          名字                                   例子

             0-D              0                           标量 scalar                         s=1 2 3

             1-D              1                           向量 vector                         v=[1, 2, 3]

             2-D              2                           矩阵 matrix                         m=[[1, 2, 3], [4, 5, 6], [7, 8, 9]]

             n-D              n                           张量 tensor                        t=[ [ [         (n个)

                                    张量可以表示0阶到n阶数组(列表)

2、数据类型

• tf.int, tf.float......

                    tf.int 32, tf.float 32, tf.float 64

• tf.bool

                    tf.constant([True, False])

• tf.string

                    tf.constant("Hello, world!”)

3、如何创建一个Tensor

• 创建一个张量

                            tf.constant(张量内容， dtype=数据类型(可选))

import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)

• 运行结果：

<tf.Tensor([1,5], shape=(2 , ), dtype=int64)

<dtype: 'int64'>

(2,)

• 将numpy的数据类型转换为Tensor数据类型

                           tf. convert_to_tensor(数据名，dtype=数据类型(可选)）
 

import tensorflow as tf
import numpy as np
a = np.arange(0, 5)
b = tf.convert_to_tensor( a, dtype=tf.int64)
print(a)
print(b)

运行结果：

[0 1 2 3 4]

tf. Tensor([0 1 2 3 4], shape=( 5 , ), dtype=int64)

• 创建全为0的张量

                                  tf. zeros(维度)

• 创建全为1的张量

                                  tf. ones(维度)

• 创建全为指定值的张量

                                  tf. fill(维度，指定值)

• 维度：

                        一维  直接写个数

                        二维  用[行，列]

                        多维  用[n,m,j,k......]

• 生成正态分布的随机数，默认均值为0，标准差为1

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

• 生成截断式正态分布的随机数

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

在tf.truncated_normal中如果随机生成数据的取值在（μ-2σ， μ+2σ）之间则重新进行生成,保证了生成值在均值附近。                              μ：均值，σ：标准差

---

3、搭建的环境

           在conda环境中安装并在pycharm中运行pytorch+gpu。相关内容参考于CSDN中的文章。