目录
一、TensorFlow的数据类型
二、如何创建一个张量
三、常用函数
1.强制转换、最大值、最小值
2.平均值、求和
3.标记为可训练
4.四则运算
5.平方、次方与开方
6.矩阵相乘
7.输入特征和标签配对
8.求出张量的梯度
9.枚举函数
10.独热编码
11.概率转换函数
12.自更新函数
13.最大值索引函数
我们为什么要学习TensorFlow？TensorFlow有什么作用？
TensorFlow是深度学习的一个重要的数据包，可以实现机器的深度学习。
一、TensorFlow的数据类型
| tf.int，tf.float | tf.int 32 ,tf.float 32,tf.float 64 |
| tf.bool | tf.constant([True,False]) |
| tf.string | tf.constant("Hello,world!") |
二、如何创建一个张量
tf.consatnt（张量内容，dtype=数据类型（可选））
在下面的代码中，我们创建了一个一阶张量，指定数据类型为tf.float32
直接打印会输出张量的所有数据类型（张量的内容，张量的形状（张量的形状看逗号隔开了几个数字，隔开了几个数字，这个张量就是几维的，在下面的例子中，逗号隔开了三个数字，就说明这是一个三维张量），张量的数据类型）
import tensorflow as tf x=tf.constant([5,1,3],dtype=tf.float32) print(x) print(x.dtype) print(x.shape)
但是很多时候，我们的数据类型是numpy的，我们可以使用convert_to_tensor()将它变成Tensor数据类型
q=np.array([2,3,3,4,5,67]) w=tf.convert_to_tensor(q,dtype=tf.int64) print(w)
我们还可以使用tf中的方法来创建我们的张量
| tf.zeros(维度) | 创建全为0的张量 |
| tf.ones(维度) | 创建全为1的张量 |
| tf.fill(维度，指定值) | 创建全为指定值的张量 |
a=tf.zeros([2,3]) b=tf.ones(4) c=tf.fill([3,3],9) print(a) print(b) print(c)
| 生成正太分布的随机数，默认值均为0，标准差为1 | tf.random.normal(维度，mean=均值，stddev=标准差) |
| 生成截断式正太分布的随机数 | tf.random.truncated_normal(维度，mean=均值，stddev=标准差) |
a=tf.random.normal([4,4],mean=3,stddev=1) print(a) b=tf.random.truncated_normal([3,3],mean=0.5,stddev=1) print(b)
| 生成均匀分布随机数[minval,maxval] | tf.random.uniform(维度，minival=最小值，maxval=最大值) |
a=tf.random.uniform([4,4],minval=0,maxval=1) print(a)
三、常用函数
1.强制转换、最大值、最小值
| 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) |
a=tf.constant([1.23,2.32,3.44,4.132],dtype=tf.float64) print(a) b=tf.cast(a,tf.int32) print(b) c=tf.reduce_min(a) print(c) d=tf.reduce_max(a) print(d)
在一个二维张量中，我们饿可以通过条简介axis等于1或0来控制执行的维度
axis=0表示纵向操作，axis=1表示横向操作
2.平均值、求和
| 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) |
b=tf.random.truncated_normal([3,3],mean=0.5,stddev=1) print(b) a=tf.reduce_mean(b,axis=1) print(a) c=tf.reduce_sum(b,axis=0) print(c)
3.标记为可训练
| 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 | tf.Variable() |
w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1)) print(w)
4.四则运算
| 加法 | tf.add(张量1，张量2) |
| 减法 | tf.substract(张量1，张量2) |
| 乘法 | tf.multiply(张量1，张量2) |
| 除法 | tf.divide(张量1，张量2) |
| 平方 | tf.square |
| 次方 | tf.pow |
| 开方 | tf.sqrt |
| 矩阵乘法 | tf.matmul |
（只有维度相同的张量才能够进行四则运算）
a=tf.constant([[1,2,3],[2,3,3]]) b=tf.constant([[-1,-2,-3],[-2,-3,-3]]) print(a) print(b) print(tf.add(a,b)) print(tf.subtract(a,b)) print(tf.multiply(a,b)) print(tf.divide(a,b))
5.平方、次方与开方
| 计算某个张量的平方 | tf.square(张量名) |
| 计算某个张量的n次方 | tf.pow(张量名，n次方数) |
| 计算某个张量的开方 | tf.sqrt(张量名) |
a=tf.fill([3,3],4.) print(a) print(tf.pow(a,3)) print(tf.square(a)) print(tf.sqrt(a))
6.矩阵相乘
| 两个矩阵的相乘 | tf.matmul(矩阵1，矩阵2) |
a=tf.fill([3,3],4.) b=tf.fill([3,3],5.) print(tf.matmul(a,b))
7.输入特征和标签配对
神经网络在传入数据时，是需要将输入特征和标签配对后传入网络的
| 生成输入特征/标签对，构建数据集（numpy和tensor都可以使用这条语句传入数据） | tf.data.Dataset.from_tensor_slices((输入特征，标签)) |
features=tf.constant([21,32,423,432])
labels=tf.constant([2,1,1,0])
dataset=tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
print(element)
8.求出张量的梯度
| 求出张量的梯度 | tf.GradientTape |
with结构记录计算过程，gradient求出张量的梯度
with tf.GradientTape() as tape:
计算过程
grad=tape.gradient(函数，对谁求导)
在下面额代码中，我们的w的初始值为4.0，然后我们定义我们的损失函数为w的平方。
我们将我们的grad定义为loss对w进行求导操作，也就是w^2对w进行求导，也就是2w
最后我们将4.0带入到2w中，得到我们最终的结果为8.0
with tf.GradientTape() as tape:
w=tf.Variable(tf.constant(4.0))
loss=tf.pow(w,2)
grad=tape.gradient(loss,w)
print(grad)
9.枚举函数
| 枚举函数 | enumerate |
enumerate 可以用于遍历每一个元素（列表，元组，字符串等），然后将其组合为索引——元素
list=['red','yellow','green','blue','orange','purple']
for i,element in enumerate(list):
print(i,element)
10.独热编码
| 独热编码 | tf.one_hot |
在分类问题中我们经常使用独热编码作为我们的标签，
| 鹅蛋 | 鸭蛋 | 鸡蛋 | |
| 独热编码 | 0 | 1 | 0 |
在上面的表格中，独热编码告诉我们当前标签对应的数据所对应的有0%的可能性为鹅蛋，100%的概率为鸭蛋。0%的概率为鸡蛋
tf.one_hot()函数将待转换数据转换成独热编码进行数据
tf.one_hot(待转换数据，depth=分成几类)
classes=4 labels=tf.constant([2,3,1,2]) output=tf.one_hot(labels,depth=classes) print(output)
这里，我们传入的数据为[2,3,1,2]，转换成我们的独热编码就分别为[0,0,1,0],[0,0,0,1],[0,1,0,0],[0,0,1,0]
11.概率转换函数
| 使每个输出值变成0到1之间的概率值 | tf.nn.softmax |
y=tf.constant([1.01,2.01,-0.66]) y_1=tf.nn.softmax(y) print(y_1)
12.自更新函数
| 赋值操作，更新参数的值并返回 | assign_sub |
在调用assign_sub前，先用tf.Variable定义变量w为可训练（可自更新）
w.assign_sub(w要自减的内容）
w=tf.Variable(8) w.assign_sub(3) print(w)
13.最大值索引函数
| 返回张量沿着指定维度最大值的索引 | tf.argmax(张量名，axis=操作轴) |
import numpy as np test=np.array([[1,2,3],[2,3,4],[5,6,7],[7,8,9]]) 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
