tensorflow（4）---常用函数

最新推荐文章于 2022-04-25 21:49:27 发布

原创最新推荐文章于 2022-04-25 21:49:27 发布 · 1.9k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#1024程序员节 #tensorflow #深度学习 #人工智能

tensorflow快速入手专栏收录该内容

13 篇文章

订阅专栏

本文介绍了如何在TensorFlow中进行数据类型转换，如将float64转换为int32，并展示了reduce_min、reduce_max等函数的应用。此外，涵盖了张量维度操作、神经网络中的bias处理、数学运算和数据集构建，包括one-hot编码和softmax函数的使用。

部署运行你感兴趣的模型镜像

上篇文章写了如何生成张量，以及如何将numpy数组转化为tensorflow中tensor，这篇文章我们主要研究tensorflow中常用的一些函数

（1）转换数据类型

# 常用函数
# 强制tensor转换为改数据类型 tf.cast(张量名,dtype=数据类型)
# 计算张量维度上元素最小值最大值tf.reduce_min(张量名)   tf.reduce_max(张量名)

x1 = tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2 = tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))

（2）关于行列的函数

# 在一个二维张量或数组中，可以通过调整axis等于0或1控制执行维度
# axis=0代表跨行，axis=1代表跨列，如果不指定axis，则所有元素参与计算
#           col0   col1   col2   col3   col4
#     row0   --------------------------------->axis=1
#     row1   |
#     row2   |
#     row3   |
#     row4   V
#          axis=0

# 计算张量沿指定维度的平均值tf.reduce_mean(张量名，axis=操作轴)
# 计算张量沿指定维度的和tf.reduce_sum(张量名，axis=操作轴)
x = tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x,axis=1))
print('-'*50)

（3）神经网络中常用bias

# tf.Variable      将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。
# tf.Variable(初始值)
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)
print('-'*50)

（4）数学运算函数

# tensorflow中数学运算
# 对应元素的四则运算
# tf.add          加        tf.add(张量1,张量2)
# tf.subtract     减        tf.subtract(张量1,张量2)
# tf.multiply     乘        tf.multiply(张量1,张量2)
# tf.divide       除        tf.divide(张量1,张量2)
# tf.square       平方
# tf.pow          次方
# tf.sqrt         开方
# tf.matmul       矩阵乘

a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))
print('-'*50)

a = tf.fill([1,2],3.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))
print('-'*50)


a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(tf.matmul(a,b))
print('-'*50)

（5）特征标签对生成函数

# tf.data.Dataset.from_tensor_slices 切分传入张量的第一维度，生成输入特征/标签对
# 构建数据集data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
features = tf.constant([12,23,10,17])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
    print(element)

完整代码如下：

import tensorflow as tf

# 常用函数
# 强制tensor转换为改数据类型 tf.cast(张量名,dtype=数据类型)
# 计算张量维度上元素最小值最大值tf.reduce_min(张量名)   tf.reduce_max(张量名)

x1 = tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2 = tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))
print('-'*50)
# 在一个二维张量或数组中，可以通过调整axis等于0或1控制执行维度
# axis=0代表跨行，axis=1代表跨列，如果不指定axis，则所有元素参与计算
#           col0   col1   col2   col3   col4
#     row0   --------------------------------->axis=1
#     row1   |
#     row2   |
#     row3   |
#     row4   V
#          axis=0

# 计算张量沿指定维度的平均值tf.reduce_mean(张量名，axis=操作轴)
# 计算张量沿指定维度的和tf.reduce_sum(张量名，axis=操作轴)
x = tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x,axis=1))
print('-'*50)

# tf.Variable      将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。
# tf.Variable(初始值)
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)
print('-'*50)

# tensorflow中数学运算
# 对应元素的四则运算
# tf.add          加        tf.add(张量1,张量2)
# tf.subtract     减        tf.subtract(张量1,张量2)
# tf.multiply     乘        tf.multiply(张量1,张量2)
# tf.divide       除        tf.divide(张量1,张量2)
# tf.square       平方
# tf.pow          次方
# tf.sqrt         开方
# tf.matmul       矩阵乘

a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))
print('-'*50)

a = tf.fill([1,2],3.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))
print('-'*50)


a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(tf.matmul(a,b))
print('-'*50)

# tf.data.Dataset.from_tensor_slices 切分传入张量的第一维度，生成输入特征/标签对
# 构建数据集data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
features = tf.constant([12,23,10,17])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
    print(element)


# tf.GradientTape  with结构记录计算过程，gradient求出张量的梯度
# with tf.GradientTape() as tape:
#   若干个计算过程
#   grad=tape.gradient(函数,对谁求导)

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    # loss = w**2
    loss = tf.pow(w,2)
# grad = w**2求导   = 2*w
grad = tape.gradient(loss,w)
print(grad)
print('-'*50)

# enumerate是python内建函数，可以遍历每个元素(如列表、元组或字符串)

seq = ['one','two','three']
for i,element in enumerate(seq):
    print(i,element)

print('-'*50)
# tf.one_hot函数将待转换数据，转换为one-hot形式的数据输出
# tf.one_hot(待转换数据,depth=几分类)

classes = 3
labels = tf.constant([1,0,2])
output = tf.one_hot(labels,depth=classes)
print(output)


print('-'*50)
# tf.nn.softmax,n分类的n个输出，通过softmax函数，便符合概率分布了
y = tf.constant([1.01,2.01,-0.66])
y_pro = tf.nn.softmax(y)
print(f'After softmax,y_pro is:{y_pro}')


print('-'*50)
# assign_sub  赋值操作，更新参数的值并返回，调用assign_sub前，先将tf.Variable定义变量w为可训练,w.assign)sub（w要自减的内容）
w = tf.Variable(4)
# w-=1    即w=w-1
w.assign_sub(1)
print(w)

print('-'*50)
# 返回张量沿指定维度最大值的索引,tf.argmax(张量名,axis=操作轴)

import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
print(tf.argmax(test,axis=0)) #返回每一列最大值的索引
print(tf.argmax(test,axis=1)) #返回每一行最大值的索引

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。它提供了一个灵活的平台,用于构建和训练各种机器学习模型