TensorFlow学习笔记----3.常用函数2

 一.Gradient tape

我们可以在with结构中，使用Gradient tape实现某个函数对指定参数的求导运算 配合上一个文件讲的variable函数可以实现损失函数loss对参数w的求导计算 with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape()as tape:
     若干个计算过程
grad=tape.gradient(函数，对谁求导)

with tf.GradientTape() as tape:
    w=tf.Variable(tf.constant(3.0))#w的初始值=3
    # 损失函数是w的平方，损失函数对w求导就是2w
    loss=tf.pow(w,2)
grad=tape.gradient(loss,w)
print(grad)

运行结果：

二.enumerate

 enumerate是Python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,enumerate)

运行结果：

 

三.tf.one_hot

独热编码（one-hot encoding):在实现分类问题时，我们常用独热码来做标签
标记类型：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）

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)

# 比如：3分类
classes=3
labels=tf.constant([1,0,2])#输出的元素值最小为0，最大为2
output=tf.one_hot(labels,depth=classes)
print("output=",output)

运行结果：

四.tf.nn.softmax

 

softmax函数可以使n分类的n个输出y0,y1,...,yn-1符合概率分布，即每个输出值变为0到1之间的概率值。这些概率值的和为1。

# 把神经网络前向传播结果1.01 2.01 -0.66，组成张量y，送入softmax函数
y=tf.constant([1.01,2.01,-0.66])
y_pro=tf.nn.softmax(y)
# 输出是这些符合概率分布的值
print("after softmax,y_pro is:",y_pro)

运行结果：

 五.assign_sub

 assign_sub函数常用于参数的自更新，等待更新的w，要先被指定为可更新可训练，也就是variable类型，才可以实现自更新

w=tf.Variable(4)#先定义一个初值为4的variable类型的值
w.assign_sub(1)#对w做自减操作，自减的内容写在括号里，此处：w-=1
print(w)

 六.tf.argmax

 tf.argmax可以返回指定操作轴方向最大值的索引号

axis=0表示纵向，axis=1表示横向

import numpy as np
test=np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print("test=",test)
print(tf.argmax(test,axis=0))#返回每一列最大的索引
print(tf.argmax(test,axis=1))#返回每一行最大的索引

运行结果：