深度学习 tesorflow2.0版本 入门第二章-基本概念

TensorFlow 基本概念与常见函数

Tensor

TensorFlow 中,Tensor 表示张量，是多维数组、多维列表. 用阶表示张量的维数。
0 阶张量叫做标量，表示的是一个单独的数，如 123。
1 阶张量叫作向量，表示的是一个一维数组如[1,2,3]。
2 阶张量叫作矩阵，表示的是一个二维数组，它可以有 i 行 j 列个元素，每个元素用它的行号和列号共同索引到，如在
[[1,2,3],[4,5,6],[7,8,9]]中，数值2 的索引即为第 0 行第 1 列。

小tips：
张量的阶数与方括号的数
量相同，0 个方括号即为 0 阶张量，1 个方括号即为 1 阶张量。故张量可以表示
0 阶到 n 阶的数组。也可通过 reshape 的方式得到更高维度数组，
np.arange(24) 表示生成从0到23的一维数组。
.reshape（2，4，3）表示生成 2x4x3的 数组。是三维数组。

TensorFlow 的数据类型

32 位整型(tf.int32)
32 位浮点(tf.float32)
64 位浮点(tf.float64)
布尔型(tf.bool)
字符串型(tf.string)

创建张量tensor

tf.constant(张量内容，dtype=数据类型(可选))

import tensorflow as tf
a=tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)

张量内容、形状 与 数据类型
shape 中数字为 2，表示一维张量里有 2个元素

通过numpy创建数组，然后传入到tensor中去。

将 numpy 格式的 a 转换成了 Tensor 格式的 b。

import tensorflow as tf
import numpy as np
a = np.arange(0, 5)
b = tf.convert_to_tensor( a, dtype=tf.int64 )
print(a)
print(b)

用不同函数创建不同值的张量
tf. zeros(维度)创建全为 0 的张量。
tf.ones(维度)创建全为 1 的张量。
tf. fill(维度，指定值)创建全为指定值的张量。
tf. random.normal (维度，mean=均值，stddev=标准差) 生成正态分布的随机数，默认均值为 0，标准差为 1。
tf. random.truncated_normal (维度，mean=均值，stddev=标准差)生成截断式正态分布的随机数，能使生成的这些随机数更集中一些，如果随机生成数据的取值在 (µ - 2σ，u + 2σ ) 之外则重新进行生成，保证了生成值在均值附近。
tf. random. uniform(维度，minval=最小值，maxval=最大值) 生成指定维度的均匀分布随机数
minval 给定随机数的最小值， maxval 给定随机数的最大值。

tf.zeros([2,3])创建了一个二维张量，第一个维度有两个元素，第二个维度有三个元素，元素的内容全是 0。
tf.ones(4)创建了一个一维张量，里边有 4 个元素，内容全是 1。
tf.fill([2,2],9)创建了一个两行两列的二维张量，第一个维度有两个元素，第二个维度也有两个元素，内容都是 9。

a = tf.zeros([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)
print(a)
print(b)
print(c)

d = tf.random.normal ([2, 2], mean=0.5, stddev=1)

e = tf.random.truncated_normal ([2, 2], mean=0.5, stddev=1)

f = tf.random.uniform([2, 2], minval=0, maxval=1)

常用函数

tf.cast (张量名，dtype=数据类型)
强制将 Tensor 转换为该数据类型

tf.reduce_min (张量名)
计算张量维度上元素的最小值

tf.reduce_max (张量名)
计算张量维度上元素的最大值

x1 = tf.constant ([1., 2., 3.], dtype=tf.float64)
x2 = tf.cast (x1, tf.int32)
print (tf.reduce_min(x2), tf.reduce_max(x2))

tf.reduce_mean (张量名，axis=操作轴)
计算张量沿着指定维度的平均值

tf.reduce_sum (张量名，axis=操作轴)
计算张量沿着指定维度的和

以上两个，如果不指定 axis，则表示对所有元素进行操作。

关于 axis = 0 是 纵轴，axis 是横轴 图解

x=tf.constant( [ [ 1, 2,3],[2, 2, 3] ] )
print(x)
print(tf.reduce_mean( x ))
print(tf.reduce_sum( x, axis=1 ))

tf.Variable(initial_value,trainable,validate_shape,name)

将 变量 标记为“可训练”的，被它标记了的变量，会在反向传播中记录自己的梯度信息。

各个参数的含义：

initial_value 默认为 None，可以搭配 tensorflow 随机生成函数来初始化参数。

trainable 默认为 True，表示可以后期被算法优化的，如果不想该变量被优化，即改为 False。

validate_shape 默认为 True，形状不接受更改，如果需要更改，validate_shape=False。

name 默认为 None，给变量确定名称。

w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))

首先随机生成正态分布随机数，再给生成的随机数标记为可训练，这样在反向传播中就可以通过梯度下降更新参数 w了。

tensorflow中的张量的四则运算

tf.add (张量 1,张量2)
两个张量的对应元素相加。
tf.subtract (张量 1,张量 2)
两个张量的对应元素相减。
tf.multiply (张量 1,张量 2)
两个张量的对应元素相乘。

注意：注：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(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))

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], 3.)

print(tf.pow(a, 3))
print(tf.square(a))
print(tf.sqrt(a))

tf.matmul(矩阵 1，矩阵 2)
矩阵相乘

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))

a为一个 3 行 2 列的全 1 矩阵，b 为 2 行 3 列的全 3 矩阵，二者进行矩阵相乘。

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