深度学习理论向应用的过渡课程【北京大学_TensorFlow2.0笔记】学习笔记（二）——常用函数，加载鸢尾花数据集Iris

1.4、1.5        常用函数

 

• tf.cast（张量名，dtype=数据类型）——强制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

• axis：在二维张量或数组中，控制操作轴（操作方向）

axis=0 跨行操作，沿经度方向，同一列    ↓

axis=1 跨列操作，沿纬度方向，同一行    →

不指定则所有元素参与运算

• tf.reduce_mean(张量名，axis=操作轴)——指定维度平均值

        tf.reduce_sum(张量名，axis=操作轴)——指定维度求和

• tf.Variable(初始值)——将变量标记为“可训练”，被标记的变量会在BP中记录梯度信息

如神经网络初始化w：w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))

• 常用数学运算函数

四则运算——维度相同才可：tf.add，tf.substract，tf.multiply，tf.divide(张量1，张量2)

平方、次方、开方：tf.square(张量名)，tf.pow(张量名,n次方数)，tf.sqrt(张量名)

矩阵乘：tf.matmul(矩阵1,矩阵2)

• data = tf.data.Datadet.from_tensor_slices((输入特征，标签))

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格式都可传入。

如[13,6,23,90]  [0,0,0,1] ——>[13,0] [6,0] [23,0] [90,1]

• with tf.GradientTape() as tape:

        若干计算过程

grad = tape.gradient(函数，对谁求导)          ——实现某个函数对指定参数的求导运算

• enumerate(列表名)——遍历每个元素，输出组合：索引  元素。常在for循环使用

如 seq = ['one','two','three']

    for i,element in enumerate(seq):

               print(i, element)

运行结果：

0        one

1        two

2        three

• tf.one_hot(待转换函数, depth=几分类)——分类问题中，常使用独热编码输出。

• tf.nn.softmax(x)——使输出符合概率分布（变为0-1之间的值）（然后再生产独热码）

 

• w.assign_sub(w要自减的内容)——参数自更新。调用前，先用tf.Variable定义变量w为可训练（可自更新）

如w.assign_sub(1)——w-=1

• tf.argmax(张量名，axis=操作轴)——返回张量沿指定维度最大值的索引

1.6        鸢尾花数据集(Iris)

从sklearn包的datasets中读入数据集：

from sklearn.datasets import load_iris

x_data = datasets.load_iris().data        #返回所有输入特征

y_data = datasets.load_iris().target        #返回所有标签