TensorFlow笔记
以下内容摘录自：北京大学TensorFlow笔记及实践
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对应位置元素，否则返回b的元素
print("c:", c)np.random.RandomState.rand() 返回一个 [0,1) 之间的随机数
np.random.RandomState.rand(维度)
import numpy as np
rdm = np.random.RandomState(seed=1) # 种子决定了随机值，实际使用中不指定种子
a = rdm.rand() # 返回一个随机标量 [0,1)
b = rdm.rand(2, 3) # 返回维度为2行3列的随机数矩阵
print("a:", a)
print("b:", b)
常用函数
求导
import tensorflow as tf
with tf.GradientTape() as tape:
x = tf.Variable(tf.constant(3.0)) #x可训练，可更新
y = tf.pow(x, 2) #函数名称
grad = tape.gradient(y, x) #对 x的平方求导 = 2x
print(grad) #答案是6
枚举
seq = ['one', 'two', 'three']
for i, element in enumerate(seq): #枚举，打印序号和值 序号从0开始
print(i, element)
读热码
import tensorflow as tf
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")
输出：
result of labels1: tf.Tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
tf.one_hot(待转换数据,depth=几分类)tf.nn.softmax
只有输出符合概率分布，才能和读热码匹配起来，既变量之和为1，概率最大的设置为1，其他设置为0
import tensorflow as tf
import math as mt
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
print(mt.e) #常量e=2.718281828459045
print(tf.pow(mt.e,1.01)) #e的1.01次方 = 2.745601
print(tf.pow(mt.e,2.01))
print(tf.pow(mt.e,-0.66)) 
assign_sub函数，实现自减1操作
tf.argmax 返回张量沿着指定维度最大的索引号
