Tensorflow入门教程-001-基础函数使用

我就是我 2023-02-27 13:55 13阅读 0赞

## 1、constant定义一个张量 ##

a = tf.constant([1, 5], dtype=tf.int64)
    print("a:", a)
    print("a.dtype:", a.dtype)
    print("a.shape:", a.shape)

## 2、Variable可迭代更新参数定义 ##

import tensorflow as tf
    
    w = tf.Variable(tf.constant(5, dtype=tf.float32))
    lr = 0.2
    epoch = 40
    
    for epoch in range(epoch):  # for epoch 定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时候constant赋值为5，循环100次迭代。
        with tf.GradientTape() as tape:  # with结构到grads框起了梯度的计算过程。
            loss = tf.square(w + 1)
        grads = tape.gradient(loss, w)  # .gradient函数告知谁对谁求导
    
        w.assign_sub(lr * grads)  # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
        print("After %s epoch,w is %f,loss is %f" % (epoch, w.numpy(), loss))
    
    # lr初始值：0.2   请自改学习率  0.001  0.999 看收敛过程
    # 最终目的：找到 loss 最小 即 w = -1 的最优参数w

tf.Variable：定义一个可迭代的数，在参数的训练中更新，过程如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70]

## 3、numpy转tensor ##

a = np.arange(0, 5)
    b = tf.convert_to_tensor(a, dtype=tf.int64)
    print("a:", a)
    print("b:", b)

## 4、特征对应标签 ##

features = tf.constant([12, 23, 10, 17])
    labels = tf.constant([0, 1, 1, 0])
    dataset = tf.data.Dataset.from_tensor_slices((features, labels))
    for element in dataset:
        print(element)

## 5、求导运算 ##

with tf.GradientTape() as tape:
        x = tf.Variable(tf.constant(3.0))
        y = tf.pow(x, 2)
    grad = tape.gradient(y, x)
    print(grad)

out

tf.Tensor(6.0, shape=(), dtype=float32)

函数y对x求导，这里也用到了Variable。

## 6、独热编码（one-hot） ##

classes = 3
    labels = tf.constant([1, 0, 2])  # 输入的元素值最小为0，最大为2
    output = tf.one_hot(labels, depth=classes)
    print("result of labels1:", output)
    print("\n")

## 7、softmax函数 ##

y = tf.constant([1.01, 2.01, -0.66])
    y_pro = tf.nn.softmax(y)
    print("After softmax, y_pro is:", y_pro)  # y_pro 符合概率分布
    print("The sum of y_pro:", tf.reduce_sum(y_pro))  # 通过softmax后，所有概率加起来和为1

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 1]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70]: /images/20230209/b0323b6ea3ef470a9e33574cfa7a1464.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzY3MzE1Ng_size_16_color_FFFFFF_t_70 1]: /images/20230209/4e04ddc9c1ce434dbcb16c81856cb0d4.png