寒假学习进度5：tensorflow2.0常用函数

常用函数：

1.

import tensorflow as tf
x1 = tf.constant([1,2,3],dtype=tf.int8)
print(x1)
x2 = tf.cast(x1,dtype=tf.float16)
x3 = tf.reduce_min(x1)
x4 = tf.reduce_max(x2)
print(x1,x2,x3,x4)
tf.Tensor([1 2 3], shape=(3,), dtype=int8)
tf.Tensor([1 2 3], shape=(3,), dtype=int8) tf.Tensor([1. 2. 3.], shape=(3,), dtype=float16) tf.Tensor(1, shape=(), dtype=int8) tf.Tensor(3.0, shape=(),dtype=float16)

2.求平均，求和

① 轴向：axis:
axis=0:代表按列计算
axis=1:代表按行计算
不指定时，计算所有元素
② 平均值：
tf.reduce_mean(张量名，axis=操作轴)
③ 求和：
tf.reduce_sum(张量名，axis=操作轴)

t=tf.constant([[1,2,3],[5,6,7]])
print(t)
m=tf.reduce_mean(t,axis=0)#按列计算平均值
print(m)
s=tf.reduce_sum(t,axis=1)#按行计算和
print(s)
>>tf.Tensor([[1 2 3]
             [5 6 7]], shape=(2, 3), dtype=int32)
  tf.Tensor([3 4 5], shape=(3,), dtype=int32)
  tf.Tensor([ 6 18], shape=(2,), dtype=int32)

3.标记可训练量

tf.variable(初始值):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。可用于神经网络训练中标记带训练参数。

tf.Variable(tf.constant([[1,2,3],[5,6,7]]))
>><tf.Variable 'Variable:0' shape=(2, 3) dtype=int32, numpy=array([[1, 2, 3],
                                                                   [5, 6, 7]])>

4.运算
四则运算：只有张量维度相同才可计算
对应元素相加：tf.add(张量1，张量2)
对应元素相减：tf.subtract(张量1，张量2)
对应元素相乘：tf.multiply(张量1，张量2)
对应元素相除：tf.divide(张量1，张量2)
平方：tf.square(张量名)
次方：tf.pow(张量名,n次方数)
开方：tf.sqrt(张量名)
矩阵乘：tf.matmul(张量1，张量2)

t1=tf.fill([2,2],1.0)
t2=tf.fill([2,2],3.0)
print("t1:",t1)
print("t2:",t2)
print("t1+t2:",tf.add(t1,t2))
print("t1-t2:",tf.subtract(t1,t2))
print("t1*t2:",tf.multiply(t1,t2))
print("t1/t2:",tf.divide(t1,t2))
print("t1的平方:",tf.square(t1))
print("t1的三次方:",tf.pow(t1,3))
print("t1的开方:",tf.sqrt(t1))
>>t1: tf.Tensor([[1. 1.]
                 [1. 1.]], shape=(2, 2), dtype=float32)
t2: tf.Tensor([[3. 3.]
               [3. 3.]], shape=(2, 2), dtype=float32)
t1+t2: tf.Tensor([[4. 4.]
                  [4. 4.]], shape=(2, 2), dtype=float32)
t1-t2: tf.Tensor([[-2. -2.]
                  [-2. -2.]], shape=(2, 2), dtype=float32)
t1*t2: tf.Tensor([[3. 3.]
                  [3. 3.]], shape=(2, 2), dtype=float32)
t1/t2: tf.Tensor([[0.33333334 0.33333334]
                  [0.33333334 0.33333334]], shape=(2, 2), dtype=float32)
t1的平方: tf.Tensor([[1. 1.]
                     [1. 1.]], shape=(2, 2), dtype=float32)
t1的三次方: tf.Tensor([[1. 1.]
                       [1. 1.]], shape=(2, 2), dtype=float32)
t1的开方: tf.Tensor([[1. 1.]
                    [1. 1.]], shape=(2, 2), dtype=float32)

5.切分传入张量的第一维度，生成特征/标签对，构建数据集。

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

import tensorflow as tf
features = tf.constant([12,23,10,17])
label = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,label))
print(dataset)
for x in dataset:
    print(x)
<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>
(<tf.Tensor: id=9, shape=(), dtype=int32, numpy=12>, <tf.Tensor: id=10, shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: id=11, shape=(), dtype=int32, numpy=23>, <tf.Tensor: id=12, shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: id=13, shape=(), dtype=int32, numpy=10>, <tf.Tensor: id=14, shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: id=15, shape=(), dtype=int32, numpy=17>, <tf.Tensor: id=16, shape=(), dtype=int32, numpy=0>)

6.计算张量梯度（tf.GradientTape）

with结构记录计算过程，gradient求出张量梯度

with tf.GradientTape() as tape:
若干计算步骤
grad=tape.gradient(函数，对谁求导)

import tensorflow as tf
with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    loss = tf.pow(w,2)
grap = tape.gradient(loss,w)
print(grap)
tf.Tensor(6.0, shape=(), dtype=float32)

7.enumerate（列表名）遍历列表，并以（索引，元素）形式输出

m=['a','b','c']
for i,element in enumerate(m):
    print(i,element)
>>0 a
  1 b
  2 c

8.独热编码：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。

将待转换数据转换为one_hot形式的数据输出:tf.one_hot(待转换数据，depth=几分类)

l=tf.constant([1,2,0])
print("l为：",l)
oh=tf.one_hot(l,depth=3)
print("独热编码为：",oh)
>>l为： tf.Tensor([1 2 0], shape=(3,), dtype=int32)
  独热编码为： tf.Tensor([[0. 1. 0.]
                         [0. 0. 1.]
                         [1. 0. 0.]], shape=(3, 3), dtype=float32)

9、激活函数softmax(y) tf.nn.softmax

y=tf.constant([1.5,2.9,-0.8])
y_pro=tf.nn.softmax(y)
print("概率分布为：",y_pro)
>>概率分布为： tf.Tensor([0.19396915 0.7865837  0.01944712], shape=(3,), dtype=float32)

10、自更新函数

w.assign_sub(w要自减的内容)注意这里是自减
在神经网络中需要不断更新迭代超参数，该函数可用于更新超参数.在调用自更新之前需要先将变量定义为可训练

#自更新
w=tf.Variable(2.0)#先设置W为可训练，初值为2
w.assign_sub(0.1)#自减0.1
print(w)
>><tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.9>

11、tf.argmax(张量名，axis=操作轴) 注：索引是从0开始的

t=tf.constant([[1,4,3],[4,3,6]])
print(t)
print(tf.argmax(t,axis=0))#按列输出最大值的索引
>>tf.Tensor([[1 4 3]
             [4 3 6]], shape=(2, 3), dtype=int32)
  tf.Tensor([1 0 1], shape=(3,), dtype=int64)