1.4TensorFlow常用函数
TensorFlow常用函数
- 强制Tensor转换为该数据类型
tf.cast(张量名, dtype=数据类型)
import tensorflow as tf
# tf.cast(张量名， dtype=数据类型) 强制tensor转换为该数据类型
x1 = tf.constant([1.1, 2.2, 3.3], dtype=tf.float64) # 构建一个1维张量x1，数据类型是tf.float64
print("x1:", x1)
x2 = tf.cast(x1, tf.int32) # 将张量x1的数据类型强制转换为tf.int32
print("x2:", x2)
x1: tf.Tensor([1.1 2.2 3.3], shape=(3,), dtype=float64)
x2: tf.Tensor([1 2 3], shape=(3,), dtype=int32)
- 计算张量维度上元素的最小值
tf.reduce_min(张量名)
import tensorflow as tf
# tf.reduce_min(张量名) 计算张量维度上元素的最小值
x2 = tf.constant([1, 2, 3], dtype=tf.int32)
print("minimum of x2：", tf.reduce_min(x2)) # 输出张量x2的最小值
minimum of x2： tf.Tensor(1, shape=(), dtype=int32)
- 计算张量维度上元素的最大值
tf.reduce_max(张量名)
import tensorflow as tf
# tf.reduce_max(张量名) 计算张量维度上元素的最大值
x3 = tf.constant([1, 2, 3], dtype=tf.int32)
print("minimum of x3：", tf.reduce_max(x3)) # 输出张量x3的最大值
maxmum of x3： tf.Tensor(3, shape=(), dtype=int32)
理解axis
- 在一个二维张量或数组中，可以通过调整axis等于0或者1控制执行维度。
-
axis=0表示跨行（经度，down），而axis=1代表跨列（纬度，across） - 如果不指定axis，则所有元素参与计算
- 计算张量沿着指定维度的平均值
tf.reduce_mean(张量名, axis=操作轴)
import tensorflow as tf
# 在一个2维张量或数组中，可以通过调整axis=0 or axis=1控制执行维度。axis=0代表纵向跨行，axis=1代表横向跨列。如果不指定axis,则所有元素参与计算。
# tf.reduce_mean(张量名, axis=操作轴) 计算张量沿着指定维度的平均值
x = tf.constant([[1, 2, 3], [2, 2, 3]])
print("x:", x)
print("mean of x:", tf.reduce_mean(x)) # 计算张量x中所有数的均值
x: tf.Tensor([[1 2 3] [2 2 3]], shape=(2, 3), dtype=int32)
mean of x: tf.Tensor(2, shape=(), dtype=int32)
- 计算张量沿着指定维度的和
tf.reduce_sum(张量名, axis=操作轴)
import tensorflow as tf
# 在一个2维张量或数组中，可以通过调整axis=0 or axis=1控制执行维度。axis=0代表纵向跨行，axis=1代表横向跨列。如果不指定axis,则所有元素参与计算。
# tf.reduce_sum(张量名, axis=操作轴) 计算张量沿着指定维度的和
x = tf.constant([[1, 2, 3], [2, 2, 3]])
print("x:", x)
print("sum of x:", tf.reduce_sum(x, axis=1)) # 计算张量x每一行的和
x: tf.Tensor([[1 2 3] [2 2 3]], shape=(2, 3), dtype=int32)
sum of x: tf.Tensor([6 7], shape=(2,), dtype=int32)
-
tf.Variable()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。神经网络训练中，常用该函数标记待训练参数。
tf.Variable(初始值)
w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))
TensorFlow中的数学运算
- 对应元素的四则运算：
tf.add、tf.subtract、tf.multiply、tf.divide - 平方、次方与开方：
tf.square、tf.pow、tf.sqrt - 矩阵乘法：
tf.matmul
对应元素的四则运算
- 实现两个张量的对应元素相加
tf.add(张量1, 张量2) - 实现两个张量的对应元素相减
tf.subtract(张量1, 张量2) - 实现两个张量的对应元素相乘
tf.multiply(张量1, 张量2) - 实现两个张量的对应元素相除
tf.divide(张量1, 张量2)
import tensorflow as tf
# 对应元素的四则运算：tf.add, tf.subtract, tf.multiply, tf.divide
# 平方、次方与开方：tf.square, tf.pow, tf.sqrt
# 矩阵乘：tf.matmul
# tf.add(张量1, 张量2) 实现2个张量的对应元素相加
# tf.subtract(张量1, 张量2) 实现2个张量的对应元素相减
# tf.multiply(张量1, 张量2) 实现2个张量的对应元素相乘
# tf.divide(张量1, 张量2) 实现2个张量的对应元素相除
# 只有维度相同的张量才可以做四则运算
a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))
a: tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
b: tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
a+b: tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
a-b: tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
a*b: tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
b/a: tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
平方、次方与开方
- 计算某个张量的平方
tf.square(张量名) - 计算某个张量的n次方
tf.pow(张量名, n次方数) - 计算某个张量的开方
tf.sqrt(张量名)
import tensorflow as tf
# tf.square(张量名) 计算某个张量的平方
# tf.pow(张量名, n次方数) 计算某个张量的n次方
# tf.sqrt(张量名) 计算某个张量的开方
a = tf.fill([1, 2], 4.0)
print("a:", a)
print("a的平方:", tf.square(a))
print("a的次方:", tf.pow(a, 3))
print("a的开方:", tf.sqrt(a))
a: tf.Tensor([[4. 4.]], shape=(1, 2), dtype=float32)
a的平方: tf.Tensor([[16. 16.]], shape=(1, 2), dtype=float32)
a的次方: tf.Tensor([[64. 64.]], shape=(1, 2), dtype=float32)
a的开方: tf.Tensor([[2. 2.]], shape=(1, 2), dtype=float32)
矩阵乘法tf.matmul
- 实现两个矩阵的相乘
tf.matmul(矩阵1, 矩阵2)
import tensorflow as tf
# tf.matmul(矩阵1, 矩阵2) 实现两个矩阵的相乘
a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
print("a*b:", tf.matmul(a, b))
a: tf.Tensor(
[[1. 1.]
[1. 1.]
[1. 1.]], shape=(3, 2), dtype=float32)
b: tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]], shape=(2, 3), dtype=float32)
a*b: tf.Tensor(
[[6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]], shape=(3, 3), dtype=float32)
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
data=tf.data.Dataset.from_tensor_slices((输入特征, 标签))。Numpy和Tensor格式都可用该语句读入数据。
import tensorflow as tf
# 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。Numpy和Tensor格式都可用该语句读入数据。
features = tf.constant([12, 23, 10, 17]) #收集的特征是12 23 10 17
labels = tf.constant([0, 1, 1, 0]) #每个特征对应的标签是0 1 1 0
dataset = tf.data.Dataset.from_tensor_slices((features, labels)) #用from_tensor_slices()把特征和标签配对上
for element in dataset:
print(element)
(<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>)
tf.GradientTape
-
with结构记录计算过程，gradient求出张量的梯度
wiht tf.GradientTape() as tape:
若干计算过程
grad=tape.gradient(函数, 对谁求导)
∂ w 2 ∂ w = 2 w = 2 ∗ 3.0 = 6.0 \frac{\partial w^{2}}{\partial w}=2 w=2^{*} 3.0=6.0 ∂w∂w2=2w=2∗3.0=6.0
import tensorflow as tf
# with tf.GradientTape() as tape:
# 若干计算过程
# grad=tape.gradient(函数, 对谁求导) with结构记录计算过程，gradient求出张量的梯度
with tf.GradientTape() as tape:
w = tf.Variable(tf.constant(3.0)) # w初始值为3.0
loss = tf.pow(w, 2) # loss = w^2
grad = tape.gradient(loss, w) # loss对w求导，结果是2*w,将w=3.0初始值代入，结果grad=6.0
print(grad)
tf.Tensor(6.0, shape=(), dtype=float32)
enumerate
- enumerate是Python的内建函数，它可以遍历每个元素(如列表、元组、或字符串)，
组合为：索引 元素，常在for循环中使用。
enumerate(列表名)
# enumerate是Python中的内建函数，它可遍历每个元素（如列表、元组或字符串），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, element in enumerate(seq):
print(i, element)
0 one
1 two
2 three
tf.one_hot
- 独热编码(ont-hot encoding):在分类问题中，常用独热码做标签，类别标签：1表示是，0表示非。
(0狗尾鸢尾 1杂色鸢尾 2弗吉尼亚鸢尾）
标签： 1
独热码：(0. 1. 0 )-
0%的可能是0狗尾鸢尾,100%的可能是1杂色鸢尾，0%的可能是2弗吉尼亚鸢尾。
-
tf.one_hot
-
tf.one_hot()函数将待转换数据，转换为one-hot形式的数据输出。
tf.one_hot(待转换数据, depth=几分类)
import tensorflow as tf
# tf.one_hot(待转换数据,depth=几分类) tf.one_hot()函数将待转换数据，转换为one_hot形式的数据输出。
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")
result of labels1: tf.Tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)