-
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)例子：
import tensorflow as tf 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)) 输出结果： tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64) tf.Tensor([1 2 3], shape=(3,), dtype=int32) tf.Tensor(1, shape=(), dtype=int32) tf.Tensor(3, shape=(), dtype=int32) -
计算张量沿着指定维度的平均值
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)例子：
import tensorflow as tf x = tf.constant([[1,2,3],[2,2,3]]) print(x) print(tf.reduce_mean(x)) print(tf.reduce_sum(x,axis = 1)) 输出结果： tf.Tensor([[1 2 3][2 2 3]], shape=(2, 3), dtype=int32) tf.Tensor(2, shape=(), dtype=int32) tf.Tensor([6 7], shape=(2,), dtype=int32) -
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。神经网络训练中，常用该函数标记待训练参数
tf.Variable(初始值) w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1)) -
Tensorflow中的数学运算
a. 对应元素的四则运算：tf.add，tf.substract，tf.multiply，tf.divide 只有维度相同的张量才可以做四则运算例子：
import tensorflow as tf 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)) 输出结果： tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32) tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32) tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32) tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32) tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32) tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)b. 平方、次方与开方：tf.square，tf.pow，tf.sqrt
例子：
import tensorflow as tf a = tf.fill([1,2],3.) print(a) print(tf.pow(a,3)) print(tf.square(a)) print(tf.sqrt(a)) 输出结果： tf.Tensor([[3. 3.]], shape=(1, 2), dtype=float32) tf.Tensor([[27. 27.]], shape=(1, 2), dtype=float32) tf.Tensor([[9. 9.]], shape=(1, 2), dtype=float32) tf.Tensor([[1.7320508 1.7320508]], shape=(1, 2), dtype=float32)c. 矩阵乘：tf.matmul
例子：
import tensorflow as tf a = tf.ones([3,2]) b = tf.fill([2,3],3.) print(tf.matmul(a,b)) 输出结果： tf.Tensor( [[6. 6. 6.] [6. 6. 6.] [6. 6. 6.]], shape=(3, 3), dtype=float32) -
tf.data.Dataset.from_tensor_slices()切分出入张量的第一维度，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)) （Numpy和Tensor格式都可用该语句读入数据）
例子：
import tensorflow as tf 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) 输出结果： <TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)> (<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>) (<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>) (<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>) (<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>) -
tf.GradientTape() with结构记录计算过程，gradient求出张量的梯度
用法：with tf.GradientTape() as tape: 若干个计算过程 grad = tape.gradient(函数，对谁求导)例子：
import tensorflow as tf with tf.GradientTape() as tape: w = tf.Variable(tf.constant(3.0)) loss = tf.pow(w,2) grad = tape.gradient(loss,w) print(grad) 输出结果： tf.Tensor(6.0, shape=(), dtype=float32) -
enumerate是python的内建函数，它可遍历每个元素（如列表、元组或字符串），组合为：索引、元素，常在for循环中使用。
用法：enumerate(列表名)例子：
seq = ['one','two','three'] for i,element in enumerate(seq): print(i,element) 输出结果： 0 one 1 two 2 three -
tf.one_hot 独热编码（one-hot encoding）：在分类问题中，常用独热码做标签，标记类别：1表示是，0表示非
Tf.one_hot()函数将待转换的数据，转换为one-hot形式的输出 tf.one_hot(待转换数据，depth=几分类)
例子：import tensorflow as tf classes = 3 labels = tf.constant([1,0,2]) #输入最小元素值为0，最大为2 output = tf.one_hot(labels,depth = classes) print(output) 输出结果： tf.Tensor([[0. 1. 0.][1. 0. 0.][0. 0. 1.]], shape=(3, 3), dtype=float32) -
Tf.nn.softmax() 是输出符合概率分布
当n个分类的n个输出（y0，y1，……，yn-1）通过softmax()函数，便符合概率分布。
例子：import tensorflow as tf y = tf.constant([1.01,2.01,-0.66]) y_pro = tf.nn.softmax(y) print("After softmax,y_pro is:",y_pro) 输出结果： After softmax,y_pro is: tf.Tensor([0.25598174 0.69583046 0.0481878 ], shape=(3,), dtype=float32) -
assign_sub()函数 作用：赋值操作，更新参数的值并返回 调用assign_sub前，先用tf.Variable定义变量w为可训练（可自更新）
用法：w.assign_sub(w要减的内容)例子：
import tensorflow as tfw = tf.Variable(4) w.assign_sub(1) print(w) 输出结果： <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3> -
Tf.argmax() 返回张量沿指定维度最大值的索引 tf.argmax(张量名，axis=操作轴)
例子：import tensorflow as tf 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 输出结果： [[1 2 3] [2 3 4] [5 4 3] [8 7 2]] tf.Tensor([3 3 1], shape=(3,), dtype=int64) tf.Tensor([2 2 0 0], shape=(4,), dtype=int64) -
Tf.where() 条件语句真返回A，条件语句假返回B tf.where(条件语句，真返回A，假返回B)
例子：a = tf.constant([1,2,3,1,1]) b = tf.constant([0,1,3,4,5]) c = tf.where(tf.greater(a,b),a,b) #若a>b，返回a对应位置的元素，否则返回b对应位置的元素 print("c:",c) 输出结果： c: tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32) -
np.random.RandomState.rand()返回一个[0,1)之间的一个随机数 np.random.RandomState.rand(维度) #维度为空，返回标量
例子：import numpy as np rdm = np.random.RandomState(seed=1) #seed=常数 表示每次生成随机数相同 a = rdm.rand() #返回一个随机标量 b = rdm.rand(2,3) #返回维度为2行3列随机数矩阵 print("a:",a) print("b:",b) 输出结果： a: 0.417022004702574 b: [[7.20324493e-01 1.14374817e-04 3.02332573e-01] [1.46755891e-01 9.23385948e-02 1.86260211e-01]] -
np.vstack()将两个数组按垂直方向相加 np.vstack(数组1，数组2)
例子：import numpy as np a = np.array([1,2,3]) b = np.array([4,5,6]) c = np.vstack((a,b)) print("c:\n",c) 输出结果： c: [[1 2 3] [4 5 6]] -
np.mgrid[]、.ravel()、np.c_[]
np.mgrid[起始值：结束值：步长，起始值：结束值：步长，……] [起始值，结束值)前闭后开的一个等差数列
x.ravel()将x变为一维数组，“把 . 前变量拉直”
np.c_[]使返回的间隔数值点配对 np.c_[数组1，数组2，……]
例子：import numpy as np x,y = np.mgrid[1:3:1,2:4:0.5] grid = np.c_[x.ravel(),y.ravel()] print("x:",x) print("y:",y) print("grid:\n",grid) 输出结果： x: [[1. 1. 1. 1.] [2. 2. 2. 2.]] y: [[2. 2.5 3. 3.5] [2. 2.5 3. 3.5]] grid: [[1. 2. ] [1. 2.5] [1. 3. ] [1. 3.5] [2. 2. ] [2. 2.5] [2. 3. ] [2. 3.5]]
下面的是笔者的微信公众号，欢迎关注，会持续更新c++、python、tensorflow、机器学习、深度学习等系列文章
