tensorflow基础02--常用函数

1. 强制tensor转换为该数据类型

tf.cast(张量名，dtype=数据类型)

2. 张量最值计算

计算张量维度上的最小值

tf.reduce_min(张量名)

计算张量维度上的最大值

tf.reduce_max(张量名)

import tensorflow as tf

a = tf.constant([3, 4, 5, 6, 7], dtype=tf.float32)
print(a)
b = tf.cast(a, dtype=tf.float64)
print(b)
print(tf.reduce_min(b))
print(tf.reduce_max(b))

运行结果：

tf.Tensor([3. 4. 5. 6. 7.], shape=(5,), dtype=float32)
tf.Tensor([3. 4. 5. 6. 7.], shape=(5,), dtype=float64)
tf.Tensor(3.0, shape=(), dtype=float64)
tf.Tensor(7.0, shape=(), dtype=float64)

3. 张量的轴

axis：在二维张量或者数组中，用axis=0或axis=1控制执行维度。axis=0表示跨行，axis=1表示跨列（0对第一个维度进行操作，1对第二个维度进行操作）

计算张量沿着指定维度的平均值

tf.reduce_mean(张量名，axis=操作轴)

计算沿着指定维度的和

tf.reduce_sum(张量名，axis=操作轴)

import tensorflow as tf

a = tf.constant([[1, 2, 3, 4],
                 [5, 6, 7, 8],
                 [9, 10, 11, 12]])
print(tf.reduce_mean(a))
print(tf.reduce_mean(a, axis=0))
print(tf.reduce_mean(a, axis=1))
print(tf.reduce_sum(a, axis=0))
print(tf.reduce_sum(a, axis=1))
print(tf.reduce_sum(a))

运行结果：

tf.Tensor(6, shape=(), dtype=int32)
tf.Tensor([5 6 7 8], shape=(4,), dtype=int32)
tf.Tensor([ 2  6 10], shape=(3,), dtype=int32)
tf.Tensor([15 18 21 24], shape=(4,), dtype=int32)
tf.Tensor([10 26 42], shape=(3,), dtype=int32)
tf.Tensor(78, shape=(), dtype=int32)

4. Variable

tf.Variable()将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。神经网络训练中，常用该函数标记训练参数。

w = tf.Variable(tf.random.normal([3, 5], mean=0, stddev=1))
# 运行结果
<tf.Variable 'Variable:0' shape=(3, 5) dtype=float32, numpy=
array([[-0.7211323 , -0.42148843, -1.0543721 , -1.1280293 , -1.1020839 ],
       [-0.35192478,  1.0499264 , -0.32882023,  0.8757452 , -0.0855011 ],
       [-1.2367997 , -1.0482794 ,  0.5232124 ,  0.09402131,  0.25787485]],
      dtype=float32)>

5. 常用数学函数

• 四则运算：tf.add, tf.subtract, tf.multiply, tf.divide
• 平方、次方、开方： tf.square, tf.pow, tf.sqrt
• 矩阵乘： tf.matmul

只有维度相同的张量才可以进行四则运算

import tensorflow as tf

a = tf.ones([2, 3])
b = tf.fill([2, 3], 5.)

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

运行结果：

# a
tf.Tensor(
[[1. 1. 1.]
 [1. 1. 1.]], shape=(2, 3), dtype=float32)

# b
tf.Tensor(
[[5. 5. 5.]
 [5. 5. 5.]], shape=(2, 3), dtype=float32)

# a + b
tf.Tensor(
[[6. 6. 6.]
 [6. 6. 6.]], shape=(2, 3), dtype=float32)

# a - b
tf.Tensor(
[[-4. -4. -4.]
 [-4. -4. -4.]], shape=(2, 3), dtype=float32)

# a * b
tf.Tensor(
[[5. 5. 5.]
 [5. 5. 5.]], shape=(2, 3), dtype=float32)

# a / b
tf.Tensor(
[[0.2 0.2 0.2]
 [0.2 0.2 0.2]], shape=(2, 3), dtype=float32)

import tensorflow as tf

a = tf.fill((3, 4), 5.)

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

运行结果：

tf.Tensor(
[[25. 25. 25. 25.]
 [25. 25. 25. 25.]
 [25. 25. 25. 25.]], shape=(3, 4), dtype=float32)
tf.Tensor(
[[125. 125. 125. 125.]
 [125. 125. 125. 125.]
 [125. 125. 125. 125.]], shape=(3, 4), dtype=float32)
tf.Tensor(
[[2.236068 2.236068 2.236068 2.236068]
 [2.236068 2.236068 2.236068 2.236068]
 [2.236068 2.236068 2.236068 2.236068]], shape=(3, 4), dtype=float32)

import tensorflow as tf

a = tf.constant([[1, 1, 1, 1],
                 [1, 3, 4, 2],
                 [1, 2, 5, 1]], dtype=tf.float32)
b = tf.fill([4, 3], 3.)

print(a)
print(b)
print(tf.matmul(a, b))

运算结果：

tf.Tensor(
[[1. 1. 1. 1.]
 [1. 3. 4. 2.]
 [1. 2. 5. 1.]], shape=(3, 4), dtype=float32)
tf.Tensor(
[[3. 3. 3.]
 [3. 3. 3.]
 [3. 3. 3.]
 [3. 3. 3.]], shape=(4, 3), dtype=float32)
tf.Tensor(
[[12. 12. 12.]
 [30. 30. 30.]
 [27. 27. 27.]], shape=(3, 3), dtype=float32)

6. tf.data.Dataset.from_tensor_slices

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（兼容numpy格式）

import tensorflow as tf

features = tf.constant([23, 34, 24, 12])
labels = tf.constant([1, 0, 1, 0])

dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)

for ele in dataset:
    print(ele)

运行结果：

<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>

(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=34>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=24>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

7. tf.GradientTape

with结构记录计算过程，gradient求出张量的梯度

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

import tensorflow as tf

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)
print(grad)

运行结果：

tf.Tensor(6.0, shape=(), dtype=float32)

8. tf.one_hot

tf.one_hot()函数将待转换数据，转换为one-hot形式的数据输出。

import tensorflow as tf

labels = tf.constant([1, 0, 2])
output = tf.one_hot(labels, depth=3)
print(output)

运行结果：

tf.Tensor(
[[0. 1. 0.]
 [1. 0. 0.]
 [0. 0. 1.]], shape=(3, 3), dtype=float32)

9. tf.assign_sub

• 赋值操作，更新参数的值并返回
• 调用assign_sub前，先用tf.Variable定义变量为可训练（可自更新）

import tensorflow as tf

w = tf.Variable(4)
w.assign_sub(1)
print(w)

运行结果：

<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

10. tf.argmax

返回张量沿着指定维度最大值的索引

tf.argmax(张量名, axis=操作轴)

import numpy as np

a = np.array([[1, 3, 6],
              [2, 5, 8],
              [2, 4, 8],
              [6, 3, 2]])
print(a)
print(tf.argmax(a, axis=0))
print(tf.argmax(a, axis=1))

运行结果：

[[1 3 6]
 [2 5 8]
 [2 4 8]
 [6 3 2]]
tf.Tensor([3 1 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 2 0], shape=(4,), dtype=int64)

tf.argmin同理可得