TensorFlow2.0学习笔记（3）

常用函数

数据类型：

tf.int 32    tf.float 32    tf.float 64   tf.bool   tf.string

tf.constant(张量内容，dtype=数据类型）——创建张量

tf.zeros(维度）——创建全为0的张量，维度：一维直接写个数，二维用[行，列]，多维用[n,m,j,k...]

tf.ones(维度）——创建全为1的张量

tf.fill（维度，指定值）——创建全为指定值的张量

tf.random.normal(维度，mean=均值，stddev=标准差）——生成正态分布的随机数，默认均值为0，标准差为1

tf.random.truncated_normal(维度，mean=均值，stddev=标准差）——生成截断式正态分布的随机数，默认均值为0，标准差为1

tf.random.uniform(维度，minval=最小值，maxval=最大值）——生成均匀分布的随机数

tf.cast(张量名，dtype=数据类型）——强制类型转换，从tensor转换为指定类型

tf.reduce_min(张量名）——在指定张良维度上找到最小值

tf.reduce_max(张量名）——在指定张量维度上找到最大值

axis：在二维张量或数组中，axis=0表示沿纵向维度进行执行，axis=1表示沿横向维度进行操作，如果不指定axis，则所有元素参加计算

tf.reduce_mean(张量名，axis=操作轴）——沿指定维度计算张量平均值

tf.reduce_sum(张量名，axis=操作轴）——沿指定维度计算张量和

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。在神经网络训练中，常用该函数标记待训练参数

tf.add（张量1，张量2）——加（只有维度相同的张量才可以做四则运算）

tf.subtract（张量1，张量2）——减（只有维度相同的张量才可以做四则运算）

tf.multipiy（张量1，张量2）——乘（只有维度相同的张量才可以做四则运算）

tf.divide（张量1，张量2）——除（只有维度相同的张量才可以做四则运算）

tf.square(张量名）——平方

tf.pow(张量名，n次方数）——n次方

tf.sqrt(张量名）——开方

tf.matmul(矩阵1，矩阵2）——矩阵乘法

tf.data.Dataset.from_tensor_slices((输入特征，标签))——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（numpy和tensor格式都可用该语句读入数据）

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）

enumerate（列表名）——遍历每个元素，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)

运行结果：

0        one

1        two

2        three

tf.one_hot(待转换数据，depth=几分类)——将待转换的数据转换为独热码形式的数据输出

tf.nn.softmax()——将n个输出通过该函数转化为概率值，总概率为1,符合概率分布

assign_sub(w要自减的内容）——调用该函数前，先用tf.variable定义为w可训练，然后调用该函数，可以对w的值先更新再返回

tf.argmax(张量名，axis=操作轴）——返回张量沿指定维度的最大值的索引