第一篇(语法必备)
TensorFlow 2.0系列相对与1.x系列有了一些明显的变化，比如1.x系列要使用会话tf.Session()，然而在tensorflow2.x系列却没有会话的属性，这是比较明显的变化，另外2.x比1.x的使用也灵活了很多，2.x系列可以在张量tensor和numpy类型之间灵活使用，这也是比较友好的，下面详细tensorflow2.0系列基本语法如下文介绍。
常量/变量
### 常量
import tensorflow as tf
w = tf.constant(3, dtype=tf.float32)
print(w)
#out:<tf.Tensor: id=536, shape=(), dtype=int32, numpy=3>
wM = tf.constant(tf.ones((3,4)), dtype=tf.float32)
#out:<tf.Tensor: id=540, shape=(3, 4), dtype=float32, numpy=
#array([[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]], dtype=float32)>
### 变量单一值
w = tf.Variable(2.0, dtype=tf.float32)
# 输出张量 tensor
print(w)
#out:<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>
# 输出数值 numpy
print(w.numpy())
#out:2.0
向量/矩阵
### 向量
import tensorflow as tf
wV = tf.Variable([2.3,1.3], dtype=tf.float32)
# 输出张量 tensor
print(wV)
#out:<tf.Variable 'Variable:0' shape=(2,) dtype=float32, numpy=array([2.3, 1.3], dtype=float32)>
# 输出数值 numpy
print(wV.numpy())
#out:array([2.3, 1.3], dtype=float32)
### 矩阵
wM = tf.Variable(tf.ones((3,2)), dtype=tf.float32)
# 输出张量 tensor
print(wV)
#out:<tf.Variable 'Variable:0' shape=(3, 2) dtype=float32, numpy=
# array([[1., 1.],
# [1., 1.],
# [1., 1.]], dtype=float32)>
# 输出数值 numpy
print(wV.numpy())
#out:array([[1., 1.],
# [1., 1.],
# [1., 1.]], dtype=float32)
常规运算
加减乘除
###################################### 练习1
# 计算 y = (wx + b - c)/d,其中 w=2.0, x=5, b=1, c = 1, d=2, 计算 y
import tensorflow as tf
w = tf.Variable(2.0, dtype=tf.float32)
x = tf.Variable(5.0, dtype=tf.float32)
b = tf.Variable(1.0, dtype=tf.float32)
c = tf.Variable(1.0, dtype=tf.float32)
d = tf.Variable(2.0, dtype=tf.float32)
wx = tf.multiply(w,x) # 乘法
wxb = tf.add(wx,b) # 加法
wxbc = tf.subtract(wxb,c) # 减法
wxbcd = tf.divide(wxbc,d) # 除法
print('Out y tensor：%s'%(wxbcd))
print('Out y numpy value：{yV}'.format(yV=wxbcd.numpy()))
#out:Out y tensor：tf.Tensor(5.0, shape=(), dtype=float32)
#Out y numpy value：5.0
向量运算
###################################### 练习2
# 计算 y = (wx + b - c)/d,其中,w = [1,2,3], x = [2,3,4], b = [1,1,2], c = [1,1,1], d = [2,2,2],计算 y
# 向量运算是对应位置相加减、乘除，两向量之间的维度要一致
# 向量运算与矩阵运算最大的不同是：向量运算要求运算向量之间的维度要一致，
# 而矩阵运算却要求维度不一致，但左行右列要一致，这是矩阵相乘的原理
import tensorflow as tf
w = tf.Variable([1,2,3], dtype=tf.float32)
x = tf.Variable([2,3,4], dtype=tf.float32)
b = tf.Variable([1,1,2], dtype=tf.float32)
c = tf.Variable([1,1,1], dtype=tf.float32)
d = tf.Variable([2,2,2], dtype=tf.float32)
wx = tf.multiply(w,x) # 乘法
wxb = tf.add(wx,b) # 加法
wxbc = tf.subtract(wxb,c) # 减法
wxbcd = tf.divide(wxbc,d) # 除法
print('Out y tensor：%s'%(wxbcd))
print('Out y numpy value：{yV}'.format(yV=wxbcd.numpy()))
矩阵运算
###################################### 练习3 矩阵运算
# 计算 y = wx + b,其中
# x = [[1,2,3,4],
# [1,3,2,2],
# [2,1,3,2]], w = [2,1,2,3] 列向量, b = [1,1,2] 列向量
# 计算 y = [None,None,None]
import tensorflow as tf
w = tf.Variable([[2],[1],[2],[3]], dtype=tf.float32)
x = tf.Variable([[1,2,3,4],[1,3,2,2],[2,1,3,2]], dtype=tf.float32)
b = tf.Variable([[1],[1],[2]], dtype=tf.float32)
wx = tf.matmul(x,w) # 乘法
wxb = tf.add(wx,b) # 加法
print('Out wx numpy value：\n%s'%(wx.numpy()))
#out:Out wx numpy value：
#[[22.]
# [15.]
# [17.]]
print('Out wxb numpy value：\n{yV}'.format(yV=wxb.numpy()))
#out:Out wxb numpy value：
# [[23.]
# [16.]
# [19.]]
目标函数
### 线性回归目标函数 y = wx + b
import tensorflow as tf
class Model(object):
def __init__(self):
# 初始化变量
self.W = tf.Variable(5.0)
self.b = tf.Variable(0.0)
def __call__(self, x):
# x 只有一维数据情况
return self.W * x + self.b
# 测试
model = Model()
print(model([2,5]))
#out:tf.Tensor([10. 25.], shape=(2,), dtype=float32)
损失函数
# 演示样式
def loss(predicted_y, true_y):
return tf.reduce_mean(tf.square(predicted_y - true_y))
优化函数
def train(model, inputs, outputs, learning_rate):
# 记录loss计算过程
with tf.GradientTape() as t:
loss_value = loss(model(inputs), outputs)
# 对W，b求导
dW, db = t.gradient(loss_value, [model.W, model.b])
# 减去梯度×学习率
model.W.assign_sub(dW*learning_rate)
model.b.assign_sub(db*learning_rate)
