xuanzhuanguo的博客

5.1 合并与分割 5.1.1合并

4.9数学运算 4.9.1 加、减、乘、除运算 加减乘除分别通过tf.add,tf.subtract, tf.multiply, tf.divide函数来实现，一般推荐使用+-*/来代替。 整除和余除也是常见的运算之一，通过//和%来实现。 import tensorflow as tf a = tf.range(5) b = tf.constant(2) #整除运算 print(a//b) # 余除运算 print(a%b) 4.9.2 乘方运算 通过tf.pow(x,a)，可以方便的计算

4.7 维度变换 在神经网络运算过程中，维度变换是最核心的张量操作，通过维度变化可以将数据任意的切换形式，满足不同的运算需求。 考虑一下为什么需要维度变换?例如，Y=X@W+b 其中，X包含了2个样本，每个样本特征长度是4，X的shape为[2,4]。线性层的输出为3个节点，那么W的shape为[4,3]。偏置b的shape为[3]。那么X@W的运算结果shape为[2,3]，需要叠加shape为[3]的偏置b，不同的2个张量是怎么直接相加的呢？ 设计偏置向量的初衷，我们给每个层输出节点添加一个偏.

4.6 索引与切片 通过索引与切片能够提取张量的部分数据，他们的使用频率非常高。 4.6.1索引 在TensorFlow中，支持基本的[i][j]...标准索引方式，也支持逗号分隔索引号的索引方式。

4.5 张量的典型应用 4.5.1 标量

4.3 待优化张量 tensorflow增加了一种专门计算梯度信息的记录张量：tf.Variable，在普通张量的基础上新增了 name，trainable 等属性来支持计算图的构建。它会消耗大量的计算资源，而且会自动更新相关参数，对于不需要优化的张量，不需要通过tf.Variable封装 #tf.Variable()可以将普通的张量转化成待优化张量 a = tf.Constant([-1, 0, 1, 2]) aa = tf.Variable(a) aa.name, aa.trainable ##

4.1 数据类型 4.1.1 数值类型 标量(Scalar)。单个的实数，如 1.2, 3.4 等，维度(Dimension)数为 0，shape 为[]。 向量(Vector)。????个实数的有序集合，通过中括号包裹，如[1.2]，[1.2,3.4]等，维度数 为 1，长度不定，shape 为[????]。 矩阵(Matrix)。????行????列实数的有序集合，如[[1,2],[3,4...