JerryZhang1111的博客

import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as npTRUE_W = 3.0TRUE_B = 2.0NUM_EXAMPLE = 1000# 随机向量xx = tf.random.normal(shape=[NUM_EXAMPLE])# print(x)# 生成噪声noise = tf.random.normal(shape=[NUM_EXAMPLE])# print(noise)# 计算

TensorFlow 2 默认的即时执行模式（Eager Execution）为我们带来了灵活及易调试的特性，但为了追求更快的速度与更高的性能，我们依然希望使用 TensorFlow 1.X 中默认的图执行模式（Graph Execution）。此时，TensorFlow 2 为我们提供了 tf.function 模块，结合 AutoGraph 机制，使得我们仅需加入一个简单的 @tf.function 修饰符，就能轻松将模型以图执行模式运行。实现方式只需要将我们希望以图执行模式运行的代码封装在一个函数

Tensorflow 为自动微分提供了tf.GradientTape API，根据某个函数的输入变量来计算它的倒数。Tensorflow会把tf.GradientTape 上下文中执行的所有操作都记录在一个磁带上 (“tape”)。然后根据这个磁带和每次操作产生的导数，用反向微分来计算这些被“记录在案”的函数的导数。x = tf.ones((2, 2))with tf.GradientTape() as t: t.watch(x) y = tf.reduce_sum(x) z = tf.mu

Tensorflow变量是用于表示程序处理的共享持久状态的推荐方法。创建变量要创建变量，要先提供初始值，tf.Variable与初始值的dtype相同。import tensorflow as tfmy_tensor = tf.constant([[1.0, 2.0], [3.0, 4.0]])my_variable = tf.Variable(my_tensor)变量与张量的定义方式和操作行为都十分相似，它们都是 tf.Tensor 支持的一种数据结构。变量也有 dtype 和形状，并且

张量是具有统一类型(称为dtype)的多维数组。我们来创建一些基本张量“标量”（或称“0 秩”张量）。标量包含单个值，但没有“轴”。rank_0_tensor = tf.constant(4)print(rank_0_tensor)tf.Tensor(4, shape=(), dtype=int32)“向量”（或称“1 秩”张量）就像一个值的列表。向量有 1 个轴：rank_1_tensor = tf.constant([2.0, 3.0, 4.0])print(rank_1_

TensorFlow 的 Eager Execution 是一种命令式编成环境，可立即评估运算，无需构建计算图：运算会返回具体的值，而非构建供销后运行的计算图。设置和基本用法在 Tensorflow 2.0及以后版本中，默认启用 Eager Execution。import osimport tensorflow as tfimport cProfileprint(tf.__version__)print(tf.executing_eagerly())2.3.0True现在运行 T

tf常见的优化器（Optimizer）汇总代码实现import tensorflow as tf(train_image, train_label), (test_image, test_label) = tf.keras.datasets.mnist.load_data()print(train_image.shape)model = tf.keras.Sequential()model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))m