从0开始的深度学习——【tensorflow】一些常用的基本函数

类型转换：

tf.cast(张量名，detype=数据类型):将一种类型的tensor转化为另一种类型的tensor

最大值,最小值,均值：

tf.reduce_min(张量名)#返回最小值
tf.reduce_max(张量名)#返回最大值
tf.reduce_mean(张量名)#返回均值

tf.argmax(张量名，axis=操作轴):返回张量沿着指定维度的最大值的索引号（下标）

指定操作方向：

详情见代码：

import tensorflow as tf
d = tf.constant([[1,2,3],
                 [3,4,5],
                 [5,5,-10]])
print("axis==0(列操作)： ",tf.reduce_sum(d,axis=0))
print("axis==1(行操作)： ",tf.reduce_sum(d,axis=1))

结果：

标记“可训练”变量（重要）

tf.Variable()将变量标记为“可训练”的张量，我们在神经网络中常用这个函数标记代训练的参数，因为被它标记了的变量会在反向传播中标记自己的梯度信息
eg:

import tensorflow as tf
w = tf.Variable( tf.random.normal([2,3],mean=1,stddev=0.1))
tf.cast(w,dtype=tf.float64)#类型强制转换
print(w)

常用的计算函数

1. 加：tf.add(a,b),减tf.subtract(a,b)乘tf.multiply(a,b)除tf.divide(a,b)
2. 平方tf.square(a)次方tf.pow(a,n)开方tf.sqrt(a)
3. 矩阵乘法tf.matmul(matrix multiplication的缩写)
4. 自减（只能操作tf.Variable()类型的变量）

#w自减1
w = tf.Variable(3.0)
w.assign_sub(1)

ps:只有维度相同的张量才可以进行四则运算

配对函数（特征标签）

因为我们在深度学习时，是把特征和标签一起投入网络的，所以我们需要把特征和标签配对的函数(tensor和numpy都适用)
tf.data.Dataset.from_tensor_slices((输入特征,标签))
eg:

import tensorflow as tf
feature = tf.constant([11,22,33,44,55])
lable = tf.constant([1,1,2,3,2])
#你可以将它理解为C++里的pair
dataset = tf.data.Dataset.from_tensor_slices((feature,lable))
#将feature和lable配对
for element in dataset:
    print(element)

求偏导函数

tf.GradientTape()
一般书写方式：

with tf.GradientTape() as tape:
   计算过程
   计算过程
grad = tape.gradient()

import tensorflow as tf

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0,dtype=tf.float32))
    loss = tf.pow(w,2)#损失函数
grad = tape.gradient(loss,w)#对loss函数中的w求偏导
print(grad)

枚举函数

enumerate:enumerate是python的内建函数，它可以遍历每个元素（列表，元组，字符串），组合为：索引+元素，常在for循环中使用：
eg:

words = ('I','Love','tensorflow')
for i,element in enumerate(words):
    print(i,element)

独热编码函数

tf.one_hot(代转换数据,depth=有几个分类)：函数值为1表示属于那一类
eg:

import tensorflow as tf

lable = tf.constant([1,0,2]);
pair = tf.one_hot(lable,depth=3);
print(pair)

概率分布函数

实际问题中，当我们在进行神经网路的学习时，会输出多个不同的输出值，当输出值越大时，发生这一时间的概率就会越大。 我们怎么把不同的输出值转化为一连串的概率值，使得这些概率和为1呢。
这里我们就会运用函数：

$$Softmax(y_i)=\frac{e^{y_i}}{{\sum }_{i=0}^n{e}^{y_i}}$$
而在tensorflow的tf.nn.softmax(x)函数就是帮你计算上面这一个式子的
eg:

import tensorflow as tf
w = tf.constant([1.02,2.0,-0.5],)
pro = tf.nn.softmax(w)
print(pro)