TensorFlow2.0常用函数

内容来源视频，视频地址：here

2019年3月 tensorflow 2.0 测试版发布
2019年10月 tensorflow 2.0 正式发布
2020年1月 tensorflow2.1 发布

创建一个张量，tf.constant(张量内容, dtype=数据类型[可选])
将numpy数据装换成tensor数据类型，tf.convert_to_tensor(数据名, dtype=数据类型[可选])
创建全为0的张量，tf.zeros(维度);
创建全为1的张量，tf.ones(维度);
创建全为指定值的张量，tf.fill(维度, 指定值);
生成正态分布的随机数，默认均值为0，标准差为1，tf.random.normal(维度, mean=均值, stddev=标准差);
生成截断式正态分布的随机数，tf.random.truncated_normal(维度, mean=均值, stddev=标准差);
随机数的取值在 $(\mu - 2\theta, \mu + 2\theta)$ 之间，之外会重新生成；
生成均匀分布随机数，tf.random.uniform(维度, minval=最小值, maxval=最大值);
tensor数据类型转换：tf.cast(张量名, dtype=数据类型);
计算张量维度上的元素最小值：tf.reduce_min(张量名, axis=轴)，axix=0表示列上，1表示行上；
类似的还有：tf.reduce_max、tf.reduce_sum、tf.reduce_mean等；
tf.Variable(初始值)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。
eg. w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))，也就是正太分布随机初始化我们定义维度的可训练参数w:
四则运算：tf.add(张量1, 张量2)、tf.subtract(张量1, 张量2)、tf.multiply(张量1, 张量2)、tf.divide(张量1, 张量2)，分别对应加减乘除；维度相同的张量才可进行四则运算。
tf.square(张量)、tf.pow(张量, n次方)、tf.sqrt(张量)，分别对应平方、次方和开方；
使用tf.matmul(矩阵1, 矩阵2)来进行矩阵乘法；
输入特征与对应标签的配对，使用tf.data.Dataset.from_tensor_slices((输入特征, 标签))，Numpy和Tensor格式的都可以使用该语句读入数据。
函数对参数的求导运算，使用with结构记录计算过程，gradient求出张量的梯度。

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

案例：

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)
print(grad) # 6.0

因为目标函数是 $y=w^2$ ，而标记的求导变量是w，且初始化为常数3，那么结果就是6。

独热编码表示，使用tf.one_hot(带转换数据， depth=几分类),
eg.

datas = tf.constant([2, 0, 1])
classes = 3 # 待分类类别
output = tf.one_hot(datas, depth=classes)
print(output)

在这里插入图片描述

softmax即：tf.nn.softmax(x)
参数自更新函数，tensor.assign_sub(tensor要自减的内容)

w = tf.Variable(4)
w.assign_sub(2)
print(w) # 2

类似的，还有assign_add

返回张量在指定轴上的最大值下标，tf.argmax(tensor, axis=轴)

a = tf.constant([[1, 2, 3],[4, 5, 6]])
print(tf.argmax(a, axis=0))
print(tf.argmax(a, axis=1))

在这里插入图片描述

条件语句，tf.where(条件语句, 真返回A, 假返回B)
将两个数据按照垂直方向叠加，np.vstack(数组1, 数组2）

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
c = np.vstack((a, b))
print(c)

在这里插入图片描述

网格坐标点生成，np.mgrid[],.ravel(), np.c_[]

x, y = np.mgrid[1:3:1, 2:4:0.5] # 起始值:结束值:步长
print(x)
print(y)

在这里插入图片描述

x, y = np.mgrid[1:3:1, 2:4:0.5] # 起始值:结束值:步长
grid = np.c_[x.ravel(), y.ravel()]
print(grid)

在这里插入图片描述

TensorFlow2.0常用函数

猜你喜欢