我们为什么要学习TensorFlow？TensorFlow有什么作用？
TensorFlow是深度学习的一个重要的数据包，可以实现机器的深度学习。
一、TensorFlow的数据类型
tf.int，tf.floattf.int 32 ,tf.float 32,tf.float 64tf.booltf.constant([True,False])tf.stringtf.constant("Hello,world!")
二、如何创建一个张量
tf.consatnt（张量内容，dtype=数据类型（可选））
在下面的代码中，我们创建了一个一阶张量，指定数据类型为tf.float32
直接打印会输出张量的所有数据类型（张量的内容，张量的形状（张量的形状看逗号隔开了几个数字，隔开了几个数字，这个张量就是几维的，在下面的例子中，逗号隔开了三个数字，就说明这是一个三维张量），张量的数据类型）
import tensorflow as tf
x=tf.constant([5,1,3],dtype=tf.float32)
print(x)
print(x.dtype)
print(x.shape)
但是很多时候，我们的数据类型是numpy的，我们可以使用convert_to_tensor()将它变成Tensor数据类型
q=np.array([2,3,3,4,5,67])
w=tf.convert_to_tensor(q,dtype=tf.int64)
print(w)
我们还可以使用tf中的方法来创建我们的张量
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
a=tf.zeros([2,3])
b=tf.ones(4)
c=tf.fill([3,3],9)
print(a)
print(b)
print(c)
生成正太分布的随机数，默认值均为0，标准差为1tf.random.normal(维度，mean=均值，stddev=标准差)生成截断式正太分布的随机数tf.random.truncated_normal(维度，mean=均值，stddev=标准差)
a=tf.random.normal([4,4],mean=3,stddev=1)
print(a)
b=tf.random.truncated_normal([3,3],mean=0.5,stddev=1)
print(b)
生成均匀分布随机数[minval,maxval]tf.random.uniform(维度，minival=最小值，maxval=最大值)
a=tf.random.uniform([4,4],minval=0,maxval=1)
print(a)
三、常用函数
1.强制转换、最大值、最小值
常用函数
强制tensor转换为该数据类型tf.cast(张量名，dtype=数据类型)计算张量维度上元素的最小值tf.reduce_min(张量名)计算张量维度上元素的最大值tf.reduce_max(张量名)
a=tf.constant([1.23,2.32,3.44,4.132],dtype=tf.float64)
print(a)
b=tf.cast(a,tf.int32)
print(b)
c=tf.reduce_min(a)
print(c)
d=tf.reduce_max(a)
print(d)
在一个二维张量中，我们饿可以通过条简介axis等于1或0来控制执行的维度
axis=0表示纵向操作，axis=1表示横向操作
2.平均值、求和
计算张量沿着指定维度的平均值tf.reduce_mean(张量名，axis=操作轴)计算张量沿着指定维度的和tf.reduce_sum(张量名，axis=操作轴)
b=tf.random.truncated_normal([3,3],mean=0.5,stddev=1)
print(b)
a=tf.reduce_mean(b,axis=1)
print(a)
c=tf.reduce_sum(b,axis=0)
print(c)
3.标记为可训练
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tf.Variable()
w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)
4.四则运算
加法tf.add(张量1，张量2)减法tf.substract(张量1，张量2)乘法tf.multiply(张量1，张量2)除法tf.divide(张量1，张量2)平方tf.square次方tf.pow开方tf.sqrt矩阵乘法
tf.matmul
（只有维度相同的张量才能够进行四则运算）
a=tf.constant([[1,2,3],[2,3,3]])
b=tf.constant([[-1,-2,-3],[-2,-3,-3]])
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(a,b))
5.平方、次方与开方
计算某个张量的平方tf.square(张量名)计算某个张量的n次方tf.pow(张量名，n次方数)计算某个张量的开方tf.sqrt(张量名)
a=tf.fill([3,3],4.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))
6.矩阵相乘
两个矩阵的相乘tf.matmul(矩阵1，矩阵2)
a=tf.fill([3,3],4.)
b=tf.fill([3,3],5.)
print(tf.matmul(a,b))
7.输入特征和标签配对
神经网络在传入数据时，是需要将输入特征和标签配对后传入网络的
生成输入特征/标签对，构建数据集（numpy和tensor都可以使用这条语句传入数据）tf.data.Dataset.from_tensor_slices((输入特征，标签))
features=tf.constant([21,32,423,432])
labels=tf.constant([2,1,1,0])
dataset=tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
print(element)
8.求出张量的梯度
求出张量的梯度tf.GradientTape
with结构记录计算过程，gradient求出张量的梯度
with tf.GradientTape() as tape:
计算过程grad=tape.gradient(函数，对谁求导)
在下面额代码中，我们的w的初始值为4.0，然后我们定义我们的损失函数为w的平方。
我们将我们的grad定义为loss对w进行求导操作，也就是w^2对w进行求导，也就是2w
最后我们将4.0带入到2w中，得到我们最终的结果为8.0
with tf.GradientTape() as tape:
w=tf.Variable(tf.constant(4.0))
loss=tf.pow(w,2)
grad=tape.gradient(loss,w)
print(grad)
9.枚举函数
枚举函数enumerate
enumerate 可以用于遍历每一个元素（列表，元组，字符串等），然后将其组合为索引——元素
list=['red','yellow','green','blue','orange','purple']
for i,element in enumerate(list):
print(i,element)
10.独热编码
独热编码tf.one_hot
在分类问题中我们经常使用独热编码作为我们的标签，
鹅蛋鸭蛋鸡蛋独热编码010
在上面的表格中，独热编码告诉我们当前标签对应的数据所对应的有0%的可能性为鹅蛋，100%的概率为鸭蛋。0%的概率为鸡蛋
tf.one_hot()函数将待转换数据转换成独热编码进行数据
tf.one_hot(待转换数据，depth=分成几类)
classes=4
labels=tf.constant([2,3,1,2])
output=tf.one_hot(labels,depth=classes)
print(output)
这里，我们传入的数据为[2,3,1,2]，转换成我们的独热编码就分别为[0,0,1,0],[0,0,0,1],[0,1,0,0],[0,0,1,0]
11.概率转换函数
使每个输出值变成0到1之间的概率值tf.nn.softmax
y=tf.constant([1.01,2.01,-0.66])
y_1=tf.nn.softmax(y)
print(y_1)
12.自更新函数
赋值操作，更新参数的值并返回assign_sub
在调用assign_sub前，先用tf.Variable定义变量w为可训练（可自更新）
w.assign_sub(w要自减的内容）
w=tf.Variable(8)
w.assign_sub(3)
print(w)
13.最大值索引函数
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
test=np.array([[1,2,3],[2,3,4],[5,6,7],[7,8,9]])
print(test)
print(tf.argmax(test,axis=0))#返回每一列最大值的索引
print(tf.argmax(test,axis=1))#返回每一行最大值的索引
版权归原作者 wolfwalker 所有， 如有侵权，请联系我们删除。