Tensorflow2笔记(二)——常用函数

Tensorflow2笔记(二)——常用函数

常用函数

• 强制tensor转换为该数据类型tf.cast(张量名, dtype=数据类型)
• 计算张量维度上元素的最小值tf.reduce_min(张量名)
• 计算张量维度上元素的最大值tf.reduce_max(张量名)

**axis**在一个二维张量或数组中，axis=0表示对列的操作，axis=1表示对行的操作

- 计算张量沿指定维度的平均值`tf.reduce_mean(张量名, axis=操作轴)`
- 计算张量沿着指定维度的和`tf.reduce_sum(张量名, axis=操作轴)`
- 若不指定axis，则对所有数据进行操作

• tf.Variable()将变量标记为“可训练”的，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，经常使用该函数标记待训练参数

数学运算函数

• 四则运算tf.add, tf.subtract, tf.multiply, tf.divide
• 平方、次方、开方tf.square(张量名), tf.pow(张量名, n次方数), tf.sqrt(张量名)
• 矩阵乘tf.matmul(矩阵1, 矩阵2)

只有维度相同的张量才可以做四则运算tf.add(张量1, 张量2)

tf.data.Dataset.from_tensor_slices()

• 特征与标签配对

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

• 使用with结构记录计算过程，gradient求出张量的梯度
• with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape() as tape:
    ...若干计算过程..
grad = tape.gradient(函数, 对谁求导)

• 实现损失函数loss对参数w的求导

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    loss = tf.pow(loss, w)
grad = tape.gradient(loss, w)
print(grad)

enumerate

• 遍历每个元素(如列表、元组或字符串)，并给每个元素配上索引，组合为：索引 元素，常在for循环中使用

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

tf.one_hot

• 独热编码(one-hot encoding):在分类问题中，常用独热码作为标签，标记类别：1表示是，0表示非
• tf.one_hot(待转换数据, depth=几分类)

classes = 3
labels = tf.constant([1, 0, 2])  # 输入的元素最小为0，最大为2
output = tf.one_hot(labels, depth=classes)
print(output)

tf.nn.softmax(x)

• 使输出符合概率分布

• 当n分类的n个输出(y0, y1, y2 …)通过softmax()函数，变为概率分布

y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)
print(y_pro)

assign_sub

• 赋值操作，更新参数的值并返回
• 调用assign_sub之前，先用tf.Variable定义变量w为可训练

#　w自减1，初始值为4
w = tf.Variable(4)
w.assign_sub(1)
print(w)

tf.argmax

• 返回张量沿着指定维度最大值的索引

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))  # 返回每一行最大值的索引
print(tf.argmax(test, axis=1))  # 返回每一列最大值的索引