- tensorflow 一般流程
- 导入/生成样本数据集
- 转换和归一化数据
- 划分样本数据集为训练样本集,测试样本集,验证样本集
- 设置机器学习参数
- 初始化变量和占位符
- 定义模型结构
- 声明损失函数
- 初始化模型和训练模型
- 评估机器学习模型
- 调优超参数
- 发布/预测结果
- 声明张量
tensorflow 的主要数据结构是张量,用张量来操作计算图。在tensorflow创建一个张量,并不会立即在计算图中增加。只有把张量赋值给一个变量或是占位符,tensorlfow才会把张量增加到计算图
- 创建张量的主要方法:
创建指定维度的零张量:zero_tsr = tf.zeros([行数, 列数])
创建指定维度的单位张量:ones_tsr = tf.ones([行数, 列数])
创建指定维度的常数填充的张量:filled_tsr = tf.fill([行数, 列数], 25)
用已知常数张量创建一个张量:constant_tsr = tf.constant([1,2,3])
新建一个与给定的张量类型大小一致的张量,元素为0或1:zero_tsr_1 = tf.zeros_like(zero_tsr) zero_tsr_1 = tf.ones_like(zero_tsr)
创建序列张量,即指定间隔的张量:linear_tsr = tf.linspace(start=0.0, stop=1.0, num=3)
start为开始数字,stop为结束的。num为元素个数
生成均匀分布的随机数:randunif_tsr = tf.random_uniform([行数,列数], 最小值, 最大值(不包括))
生成正态分布的随机数:randnorm_tsr = tf.random_normal([行数,列数], 期望, 标准差)
生成带有指定边界的正态分布的随机数,生态分布的随机数位于指定均值到两个标准差之间的区间:runcnorm_tsr = tf.truncated_normal([行数,列数], 期望, 标准差)
张量/数组的随机化:tf.random_shuffle()
tf.random_crop()
- 创建张量之后,需要封装为变量
通过tf.Variable()
函数分装张量为变量
- 创建张量的主要方法:
- 占位符和变量
变量是tensorflow机器学习算法的参数,tensoeflow调整这些变量的状态来优化机器学习算法。占位符是tensorflow对象,用于表示输入输出数据的格式。
- 在tensorlfow中,通过函数
tf.Variable()
创建变量,过程是输入一个张量,返回一个变量。声明变量后需要初始化变量。 - 在tensorflow中,通过函数
tf.placeholder()
定义占位符,占位符通过feed_dict参数获取数据。
- 在tensorlfow中,通过函数
- 矩阵操作
矩阵乘法:
tf.matmul()
矩阵转置:tf.transpose()
矩阵行列式:tf.matrix_determinant()
矩阵的逆矩阵:tf.matrix_inverse()
特征分解:tf.self_adjoint_eig()
- 张量的操作
tensorflow基础
最新推荐文章于 2021-10-23 14:02:16 发布