DL with python(2)——神经网络优化预备知识
本文涉及到的是中国大学慕课《人工智能实践：Tensorflow笔记》第二讲的内容，主要是神经网络优化涉及的几个函数。
相关版本为Windows10系统，Python3.7，Tensorflow1.14.0，PyCharm2019.3.3
tf.where()
条件语句真返回A ，条件语句假返回B
tf.where( 条件语句，真返回A ，假返回B)
import tensorflow as tf
a = tf.constant([1, 2, 3, 1, 1])
b = tf.constant([0, 1, 3, 4, 5])
c = tf.where(tf.greater(a, b), a, b) # 若a>b，返回a对应位置的元素，否则返回b对应位置的元素
#打印c的信息
print("c：", c)
#打印c的内容
sess = tf.compat.v1.Session()
print(sess.run(c))
运行结果
c： Tensor("Select:0", shape=(5,), dtype=int32)
[1 2 3 4 5]
np.random.RandomState.rand()
返回一个[0,1)之间的随机数
np.random.RandomState.rand(维度) #维度为空，返回标量
import numpy as np
rdm = np.random.RandomState(seed=1)
a = rdm.rand() #返回一个随机标量
b = rdm.rand(2, 3) #返回一个2*3的随机数矩阵
# 打印
print("a:", a)
print("b:", b)
运行结果
a: 0.417022004702574
b: [[7.20324493e-01 1.14374817e-04 3.02332573e-01]
[1.46755891e-01 9.23385948e-02 1.86260211e-01]]
np.vstack()
将两个数组按垂直方向叠加，等同于MATLAB中的"；"操作
np.vstack( 数组1，数组2)
前提是两个数组的列数相同，大小分别为(m1,n),(m2,n)
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
#a,b垂直方向的叠加
c = np.vstack((a, b))
print("c:\n", c)
运行结果
c:
[[1 2 3]
[4 5 6]]
生成网格坐标点
np.mgrid[ ]
返回间隔数值点，可同时返回多组，
np.mgrid[ 起始值 : 结束值 : 步长，起始值 : 结束值 : 步长 , …… ]
x.ravel( )
将x变为一维数组，即把变量拉直
np.c_[ ]
使返回的间隔数值点配对
np.c_[ 数组1 ，数组2， ， … ]
import numpy as np
import tensorflow as tf
# 生成等间隔数值点，初始的x为[1,2],y为[2,2.5,3,3.5]，统一格式二者变成2*4的矩阵
x, y = np.mgrid[1:3:1, 2:4:0.5]
# 将x, y拉直，并合并配对为二维张量，生成二维坐标点
grid = np.c_[x.ravel(), y.ravel()]
print("x:\n", x)
print("y:\n", y)
print("x.ravel():\n", x.ravel())
print("y.ravel():\n", y.ravel())
print('grid:\n', grid)
运行结果
x:
[[1. 1. 1. 1.]
[2. 2. 2. 2.]]
y:
[[2. 2.5 3. 3.5]
[2. 2.5 3. 3.5]]
x.ravel():
[1. 1. 1. 1. 2. 2. 2. 2.]
y.ravel():
[2. 2.5 3. 3.5 2. 2.5 3. 3.5]
grid:
[[1. 2. ]
[1. 2.5]
[1. 3. ]
[1. 3.5]
[2. 2. ]
[2. 2.5]
[2. 3. ]
[2. 3.5]]