机器学习终于开坑了！！
机器学习当然要tensorflow+gpu啦（可我没有/(ㄒoㄒ)/~~）
学学基础tensorflow+cpu应该也可以吧
之前我是直接看吴恩达的视频，那些算法原理懂了个大概，结果发现根本就无法实现...也无法理解 tf 里面那些函数的作用
所以我这次准备再系统学习一遍
找基于tf 2 做机器学习的资源找了好半天，有的不是太老用tf 1.0，就是念ppt
最后感觉还是这个视频讲的最详细
https://www.bilibili.com/video/BV1ua4y1t7Ws?
他是先一步步手码实现实战实例，之后再用tf的函数来进行简化，更好让人理解原理和实现
下面正文：
其实tf和numpy基础功能也差不多，用tf 2 也是为了更好和numpy兼容|更方便
tf.zeros(shape,dtype=tf.float32) 全0
tf.zeros_like(x) 直接根据x的dim来创建 0 matrix <==> tf.zeros(x.shape)
tf.ones(shape,dtpye=tf.float32) 全1
tf.ones(x) 创建一个标量|dim=0
tf.ones([]) 创建一个 1*1的向量,值为 x
tf.ones([x]) 创建向量 shape=x
tf.math.log :以e为底的对数函数
tf.exp :指数函数
tf.uniform(shape,minval,maxval,dtpye) 均匀变化的数组
tf.random.normal(shape,mean(均值默认0),stddev(方差默认1))
tf.fill(dim,value) 填充数字
上面这些都和numpy没啥区别
tf.gather(a,axis,idx) axis可以指定轴，然后这个轴按照idx这个list中的顺序取a的数据
a.shape=[4,28,28,1] idx=[1,28,28,4]
a.shape=[1,28,28,,4] 相当于先把a==>[1,x] 再变成idx的维数
tf.constant(value,shape) 填充数字
x.ndim 返回维度
xxx=tf.covert_to_tensor(name,dtype) numpy转化为tensor类型
x.numpy() 转numpy
tf.is_tensor(x) 判断x是不是 tensor 类型
tf.random.shuffle(x) 将 x数组 随机打乱
tf.reshape(xx,shape) 将x张量 变成shape形
tf.reshape(xx,[-1,xxx]) -1代表这个维度的所有
比如 mnist 数据 ，batch=128的话 最后一组就不能满足[128,28,28,1]
这样tf.reshape(x,[-1,28,28,1]) 就不会报错
tf.expand_dim(xx,axis) xx张量增加第axis个维度（axis是从0开始）
tf.transpose(a,vector(如[x1,x2,x3,x4]))
相当于将原来图像做变换
比如原来是[n,h,w,c] vector=[0,3,2,1]
==> [n,c,w,h] 这样可以使content不改变 '实质'
tf.one_hot(x,depth) 将x转化为1*depth的one_hot向量
tf.concat([x1,x2,xn],axis) xi是张量，axis 表示张量在哪个轴上拼接
例如axis=0，则 [[x1],[x2]],axis=1,[[x1,x2]]
tf.squeeze(x,axis) 删去axis轴
tf.split(xx,list,axis) 将xx张量按axis和list分割成其他的张量
例如 axis=0，xx=[[x1],[x2],[x3],[x4]],list=[1:2:1]
output：[x1] [[x2],[x3]] [x4]
如果list是一个数代表平均分为list个张量
一般的机器学习中维度都是有'含义'的：
dim=3
句子：一共有几个句子，每个句子有几个单词，每个单词被看作多少维向量
[num,len,vector_dim]
dim=4
照片：一共有多少张照片，每个照片的大小（h，w），有几个通道
[num,height,weight,channel]
dim=5 |不太懂...
就是把一个总任务分割成了多个任务同时处理,每次处理的个数就成了第一维
[batch,num,h,w,rgb]
broadcast:
这是一种优化手段，不需要我们特殊去调用
简单来说就是自动匹配两个运算的维度
比如 [3,4,5,7]+[3]
<==> [3,4,5,7]+[3,1,1,1] 从右到左匹配是否有相同维度，如果没有自动加维度 1
<==> [3,4,5,7]+[3,4,5,7] 将所有1变成高维相等的维数
[3,4,5,6] + [1,4,5,1]
<==> [3,4,5,6]
方便许多