tf.cast（）は、強制型変換を実装するために使用されます
tf.reduce_min（）を使用
してテンソルの最小値を見つけます。tf.reduce_max（）を使用してテンソルの最大値を見つけます。
テンソルx1を作成し、それを32ビット整数に変換します。最小値は1です。その最大値は3です。
Axisは操作の方向を指定できます。2次元テンソルの場合、axis = 0の場合、1番目の次元で操作することを意味します。axis= 1は2番目の次元で操作することを意味します。axis= 0は垂直操作を意味します。 、経度方向軸= 1に沿って、緯度方向に沿って水平操作を意味します
たとえば、axis = 0または1を調整することで、
平均化の方向を制御できます。tf.reduce_mean（）は、2行3列のベクトル
tf.reduce_sum（x、axis = 1）のすべての要素を平均化することです。 axis = 1に沿って、これは水平方向と緯度方向です。したがって、最初の行の合計は6で、2番目の行の合計は7です。
Variable（）関数は、変数として「トレーニング可能」としてマークすることができ、それによってマークされた変数は、バックプロパゲーションで勾配情報を記録します。ニューラルネットワークのトレーニングでは、この関数を使用して、トレーニングするパラメーターをマークします。
この例は、ニューラルネットワークの初期化パラメーターwのコードです。
最初に正規分布のランダム数をランダムに生成し、次に生成されたランダム番号をトレーニング可能としてマークします。 、逆伝播で使用できるように、勾配降下を介してパラメータwを更新します
TensorFlowは
、加算、減算、乗算、除算、二乗、累乗、平方根、行列乗算の
コード例など、一般的に使用される計算関数を提供します。
import tensorflow as tf
a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))
最初に、1行3列のテンソルaを作成します。すべての要素の値は、1です。1行3列のテンソルbを作成します。すべての要素の値は3
です。aとbの対応する要素を加算した結果は[[4.4。4。]] aとb
の対応する要素を減算した結果です。bは[[-2。-
2。-2。]] aにbを掛けた結果は[[3.3。3。]]
bをaで割った結果は[[3.3.3。]]です。 ]
import tensorflow as tf
a = tf.fill([1, 2], 3.)
print("a:", a)
print("a的平方:", tf.pow(a, 3))
print("a的平方:", tf.square(a))
print("a的开方:", tf.sqrt(a))
square（）はテンソルaを二乗し、pow（）はテンソルを二乗し、sqrt（）はテンソルを二乗します
たとえば、1行2列の2次元テンソルaを作成する場合、塗りつぶしの値は3の3
乗です。これは、2次元テンソル[[27.27。]]の
2乗aです。 2次元テンソル[[9.9。]]
aの平方根は2次元テンソルです[[1.73205081.7320508]]
tf.matmul（）関数を使用して、行列1と行列2を乗算します。
import tensorflow as tf
a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
print("a*b:", tf.matmul(a, b))
たとえば、3行2列の行列aと2行3列の行列bと
3行3列の行列bで行列乗算を実行すると、6行3列の行列になります
[[ 6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]]
ニューラルネットワークがトレーニングされると、入力フィーチャとラベルがペアになり、ネットワークに供給されます。TensorFlowは、フィーチャとラベルをペアにする関数を提供しますfrom_tensor_slices（）
from_tensor_slices（）この関数は、numpy形式とテンソル形式の両方に適用できます。
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)
収集した機能は1223 10 17で、各機能に対応するラベルは0 1 1 0です。tf.data.Dataset.from_tensor_slices（（features、labels））を使用して、機能とラベルをペアにして
、実行中の機能を確認できます。プログラムの結果：
入力フィーチャ12はラベル0に
対応します。ここではペア12と0です。入力フィーチャ23はラベル1に対応します。ここではペア23と1です。
入力フィーチャ10はラベル1に対応します。ここではペア10と1と
入力フィーチャ17はラベル0に対応します。ここでは、17と0がペアになっています。