MOOC北大tensorflow笔记一-蒲公英云

一.张量

·张量tensor ：多维数组（列表）阶：张量的维数

·张量可以表示0阶到n阶数组（列表）

张量的数据类型：

代码清单：

import  tensorflow as tf
import numpy as np
a=tf.constant([[2,3],[2,5]],dtype=tf.int32)
print(a)
print(a.dtype)
print(a.shape)
b=tf.constant(np.arange(12).reshape((3,4)),dtype=tf.float32)
print(b)
print(b.dtype)
print(b.shape)
# 用正态分布生成数据
c=tf.random.normal([2,2],mean=0.5,stddev=1)#生成均值为0.5，标准差为1的二维数据
d=tf.random.truncated_normal([2,2],mean=0.5,stddev=1)#生成均值为0.5，标准差为1的二维数据,这些元素在两倍标准差之内，数据更向均值0.5集中
e=tf.random.uniform([2,2],minval=12,maxval=20)# 生成均匀分布随机数[minval,maxval)
print(e)
# 强制tensor转换为该数据类型
f=tf.cast(b,tf.int32)
print(f)
#计算张量维度上的最大值,最小值，均值等等
print(tf.reduce_max(b))
======================================打印结果===========================================
tf.Tensor(
[[2 3]
 [2 5]], shape=(2, 2), dtype=int32)
<dtype: 'int32'>
(2, 2)
tf.Tensor(
[[ 0.  1.  2.  3.]
 [ 4.  5.  6.  7.]
 [ 8.  9. 10. 11.]], shape=(3, 4), dtype=float32)
<dtype: 'float32'>
(3, 4)
tf.Tensor(
[[18.466003 13.447195]
 [18.900255 17.91539 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]], shape=(3, 4), dtype=int32)
tf.Tensor(11.0, shape=(), dtype=float32)

二. tf.Variable

将变量标记为“可训练”，被标记的变量会在方向传播中记录梯度信息。神经网络训练中，常用该函数标记带训练参数。

tf.Variable(初始值)

w = tf.Variable(tf.constant(5, dtype=tf.float32))#定义随机参数值为5，设定为可训练

这样就可以在梯度下降中更新参数w

三. 常用函数对应的

1.四则运算

注意：只有维度相同的张量才能进行四则运算

2.n次方

3.矩阵相乘 tf.matmul(矩阵1，矩阵2)

4.tf.data.Dataset.from_tensor_slices

切分传入张量的第一维度，生成输入特征标签对，构建数据集

tf.data.Dataset.from_tensor_slices（(输入特征，标签))

代码清单：

# 标签配对
features=tf.constant([12,34,45,37])
labels=tf.constant(['a','b','c','d'])
dataset=tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for el in dataset:
    print(el)
=============打印结果=======================================
<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.string)>
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=string, numpy=b'a'>)
(<tf.Tensor: shape=(), dtype=int32, numpy=34>, <tf.Tensor: shape=(), dtype=string, numpy=b'b'>)
(<tf.Tensor: shape=(), dtype=int32, numpy=45>, <tf.Tensor: shape=(), dtype=string, numpy=b'c'>)
(<tf.Tensor: shape=(), dtype=int32, numpy=37>, <tf.Tensor: shape=(), dtype=string, numpy=b'd'>)

Numpy和Tensor格式都可用改语句读入数据

5.tf.GradientTape()

GradientTape是eager模式下计算梯度用的

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    loss=tf.pow(w,2)
grad=tape.gradient(loss,w)
print(grad)
==============计算结果==================
tf.Tensor(6.0, shape=(), dtype=float32)

with as结构来计算梯度过程，将tf.GradientTape()的返回值记录到tape中，在定义代价函数loss，下面tape.gradinet(代价函数,对谁求偏导)来计算求偏导结果。如上例子结果为6

6.enumerate

enumerate是python的内建函数，它可以遍历每个元素（如列表、元组、字符串），组合为：索引元素，常在for循环中使用。

enumerate（列表名）

seq=['one','two','three']
for i ,el in enumerate(seq):
    print(i,el)
=========运行结果==============
0 one
1 two
2 three

7.tf.one_hot()

独热编码（one-hot encoding）：在分类问题中，常用独热码做标签，标记类别：1表示是，0表示非。函数将待转换的数据，转为one-hot形式的数据输出。

tf.one_hot(带转换数据，depth=几分类)

classes=4
labels=tf.constant([1,3,0])
output=tf.one_hot(labels,depth=classes)
print(output)
===============运行结果=====================
tf.Tensor(
[[0. 1. 0. 0.]
 [0. 0. 0. 1.]
 [1. 0. 0. 0.]], shape=(3, 4), dtype=float32)

如上例子：分为四分类，数据标签有3个数字，对应位置填1就好，比如，第二个数据3，在下面第二行索引为3处。

8.tf.nn.soft.max()

当n分类的n个输出（y0，y1，…….yn-1）通过softmax()函数，使符合概率分布。每个概率值为0~1之间，这些概率的和为1。例如下图鸢尾花的例子。

                   ![20210804215318163.png][]

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxOTUwNDQ3_size_16_color_FFFFFF_t_70

用代码实现算法过程：

如果神经网络前向传播结果为[1.01,2.01,-0.66]，送入算法中，得出概率分布结果。

y=tf.constant([1.01,2.01,-0.66])
y_pro=tf.nn.softmax(y)
print("After softmax y_pro is:",y_pro)
=================运行结果================
After softmax y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)

9.assign_sub

自减，赋值操作，更新参数的值并返回，注意的是条用assign_sub之前，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(4) # 定义可训练的值
w.assign_sub(1) # w进行自减1 
print(w)
==============运行结果=============
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

10.tf.argmax

返回张量沿指定的维度最大值的索引

tf.argmax(张量名，axis=操作轴) axis=0纵向 axis=1横向

test=np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
print(test)
print(tf.argmax(test,axis=1))#横向每行最大值的索引号
print(tf.argmax(test,axis=0))#纵向每列最大值的索引号
===========运行结果======================
[[1 2 3]
 [2 3 4]
 [3 4 5]
 [4 5 6]]
tf.Tensor([2 2 2 2], shape=(4,), dtype=int64)
tf.Tensor([3 3 3], shape=(3,), dtype=int64)