TensorFlow 2

• 数据类型
  • Tf.constant: 常量
  • Tf.bool
  • Tf.string
  • Tf.Variable(tensor): 使得tensor可以求导
• tensor属性
  • Tensor.device: 查看设备
  • Tensor.gpu(): 切换设备
  • Tensor.cpu(): 切换设备
  • Tensor.numpy(): 返回numpy数据
  • Tensor.shape: 类型
  • Tensor.ndim: 维度
  • Tf.rank(): 范围维度
  • Tf.cast(tensor, dtype): dtype转换
  • Tf.is_tensor(data): 判断是否为tensor
  • Tensor.trainable: 是否可以训练, 这里的tensor一般为tf.Variable
• numpy与tensor转换
  • Tf.convert_to_tensor(numpy, dtype)
  • Tensor.numpy()
  • Int(tensor)/float(tensor): 如果tensor.shape == ()
• 创建tensor
  • Tf.constant(data)
  • Tf.convert_to_tensor(numpy)
  • Tf.random.normal(shape, mean, stddev)
  • Tf.random.truncated_normal(shape, mean, stddev)
  • Tf.random.uniform(shape)
  • Tf.random.shuffle(idx): idx进行shuffle
• 切片
  • 和numpy一样
  • 选择切片
    • Tf.gather(a, b): 根据b给出的数据取a对应下表的数据
    • Tf.gather_nd(): nd表示多个维度
    • Tf.boolean_mask(tensor, masks, axis)
    • Tf.where(condition, a, b): condition为True, 取a, 否则b
• 维度变换
  • Tf.reshape: 不改变数据，但是改变理解方式
  • Tf.transpose: 修改数据，从而修改TensorShape
  • Tf.expand_dims(tensor, axis)在axis处增加1维度
  • Tf.squeeze: 去掉维度为1的
  • Tf.tile(tensor, []): 第二个参数表示各个维度需要复制的个数
  • Tf.broadcast_to(tensor, target): 将tensor维度和target一样并返回
  • Tf.pad(tensor, [[a, b], [c, d]]): 对tensor各个维度进行padding，第一个[a, b]是第一个维度，左边填充a个0，右边填充b个0，第二个是第二个维度，左边填充c个0，右边填充d个0
• 拼接
  • Tf.concat
  • Tf.stack
  • Tf.split：一般用于交叉验证
• 统计
  • Tf.norm(tensor, ord, axis)
  • Tf.reduce_max/min/avg/sum
  • Tf.argmax
• 排序
  • Tf.sort
  • Tf.argsort
  • Tf.top_k
• 裁切值
  • Tf.maximum
  • Tf.minimum
  • Tf.clip_by_value
  • Tf.clip_by_norm：常用于解决梯度爆炸
  • Tf.clip_by_global_norm
• 其他
  • Tf.meshgrid
• 内建激活
  • Tf.sigmoid
  • Tf.nn.softmax
  • Tf.nn.relu
• 内建损失函数
  • Tf.losses.MSE
  • Tf.losses.categorical_crossentropy(target_one_hot, pred)或者tf.losses.categorical_crossentropy(target_one_hot, logits, from_logits=True)推荐使用第二种方式

   

• Tf.losses.BinaryCrossEntropy()(target_one_hot, pred)

• 自动微分
  • `tf.GradientTape`上下文中会构建动态图，使用tape.gradient计算梯度，但是上下文中不记录=赋值的tensor，需要使用tensor.assign进行赋值，或者再tf.Variable

   

• 数据集
  • Tf.data.Dataset.from_tensor_slice((x, y)).shuffle(1000000000).map(preprocess_func(x, y)).batch(32)
  • Tf.keras.datasets.mnist.load_data()
• 构建模型
  • `net = tf.keras.layer.Dense(10)` => `net.build(input_shape=(None, 32))` 这样net才会有weight和bias
  • `net.summary()`再net.build之后调用，可以看net结构
• Tensorboard 使用
  • `summary_writer = tf.summary.create_file_writer(log_dir)`
  • `with summary_writer.as_default():`中写`tf.summary.scalar`和`tf.summary.image`
• Keras
  • `compile`
  • `fit`
  • `evaluate`
  • `predict`
  • 自定义layer和model
    • 重写init和call，继承Layer或者Model类
  • 保存模型
    • `model.save_weights(path)`和`model.load_weights(path)`
    • `model.save(path)`和`tf.keras.models.load_model(path)`
  • 正则化
    • 在使用layers时，有参数kernel_regularizer=keras.regularizer.l2(lamda)
• 注意
  • keras进行fit的时候，没有采用eager模式，而是采用静态图的模式，因此在train_step中很多操作都受到了限制
  • 如果想keras.fit采用eager模式，在compile之后，使用`model.run_eagerly = True`即可切换到eager模式