TensorFlow2框架使用---低阶API

简介: TensorFlow2框架使用---低阶API

TF低阶API的操作及使用


最近有些事情耽误学习进度,想到之前挖的前后端的坑都没填完,烦烦烦! 这篇文章写的太水了,基本就是巩固一下记忆


1.创建张量及计算


import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='1'
# 一些基本的创建张量方法
# 创建常量
a=tf.constant([1.,2,3])
print(a)
# 创建一个列表,delta控制步长,默认为1
b=tf.range(1,10)
print(b)
# 创建一个等距列表
c=tf.linspace(0.,1.,10)
print(c)
# 创建一个全0,全1的矩阵
d=tf.zeros([1,2])
e=tf.ones([1,2])
print(d,e)
# 用一个值填充矩阵
f=tf.fill([2,2],6)
print(f)
# 单位矩阵、对角矩阵
g=tf.eye(2,2)
h=tf.linalg.diag([6,6,6])
print(g,h)
#### 切片操作
# 和numpy pandas类似,以逗号为分隔,前面是行,后面是列
tf.random.set_seed(0)
ran_matrix=tf.random.uniform([5,5],minval=0,maxval=10,dtype=tf.int32)
tf.print(ran_matrix)
## 取第一行
tf.print(ran_matrix[0])
## 取最后一行
tf.print(ran_matrix[-1])
## 取最后一列
tf.print(ran_matrix[:,-1])
## 取前三行前两列
tf.print(ran_matrix[:3,:2])
## 取前四行每隔一列取一列
tf.print(ran_matrix[:4,::2])
# 一些函数用法
### 参考https://shelgi.blog.csdn.net/article/details/103083463
复制代码


2. 张量的计算


import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='1'
# 两个矩阵对应位置元素相加
a=tf.constant([[1.,2.],[-3.,4.]])
b=tf.constant([[5.,6.],[-7.,8.]])
tf.print(a+b)
## 两个矩阵相减,对应位置元素相减
tf.print(a-b)
## 两个矩阵对应位置元素相乘
tf.print(a*b)
## 两个矩阵矩阵乘法
tf.print(a@b,tf.matmul(a,b))
## 两个矩阵对应位置元素相除
tf.print(a/b)
## 矩阵对应位置元素n次方
tf.print(a**3)
## 两个矩阵对应位置的最大值
tf.print(tf.maximum(a,b))
## 两个矩阵对应位置的最小值
tf.print(tf.minimum(a,b))
### 四舍五入 tf.math.round()
### 向下取整 tf.math.floor()
### 向上取整 tf.math.ceil()
### 裁剪,保留规定区间内的数
x=tf.constant([0.1,0.2,0.5,1.2,2.3,20.,-3.])
y=tf.clip_by_value(x,clip_value_min=1,clip_value_max=10)
## 针对L2范数进行剪裁阈值 clip_norm: 裁剪阈值,l2norm(t) > clip_norm 进行梯度裁剪,裁剪方式:t * clip_norm / l2norm(t)
z=tf.clip_by_norm(x,clip_norm=3)
tf.print(y)
tf.print(z)
## 矩阵转置
tf.print(tf.transpose(a))
## 矩阵求逆 伪逆是pinv()
tf.print(tf.linalg.inv(a))
## 矩阵的迹
tf.print(tf.linalg.trace(a))
## 矩阵的范数
tf.print("范数")
tf.print(tf.linalg.norm(a,ord=1))
tf.print(tf.linalg.norm(a))
## 矩阵的行列式
tf.print(tf.linalg.det(a))
## 矩阵的特征值
a1=tf.constant([[3.,2],[2,4]])
tf.print(a1)
e,v=tf.linalg.eigh(a1)
tf.print(e,v)
tf.print(a1@tf.reshape(v[:,0],(2,1)))
tf.print(e[0]*tf.reshape(v[:,0],(2,1)))
tf.print(a1@tf.reshape(v[:,0],(2,1))-e[0]*tf.reshape(v[:,0],(2,1)))
tf.print("=============================================")
e,v=np.linalg.eigh(a1)
tf.print(e,v)
tf.print(np.dot(a1,v[:,0])-e[0]*v[:,0])
tf.print("+================================")
## 矩阵的QR分解
## https://zhuanlan.zhihu.com/p/112327923
q,r=tf.linalg.qr(a)
tf.print(q,r)
tf.print(q@tf.transpose(q))
tf.print(q@r)
### SVD分解
### diag转为对角矩阵
v,s,d=tf.linalg.svd(a)
tf.print(s@tf.linalg.diag(v)@d)
tf.print("=========================================================")
## 对一列向量进行操作
ran=tf.range(1,10)
tf.print(ran)
### 对一列进行求和、平均、内部元素乘法
tf.print(tf.reduce_sum(ran),tf.reduce_mean(ran),tf.reduce_prod(ran))
### 对一列进行自定义函数操作,l/r代表从左往右还是从右往左
tf.print(tf.foldl(lambda a,b:a-b,ran[0:5]),tf.foldr(lambda a,b:a-b,ran[0:5]))
### 累加及累乘
tf.print(tf.cumsum(ran),tf.math.cumprod(ran))
### 对张量排序
tf.print(tf.sort(ran))
v,index=tf.math.top_k(ran,2)
tf.print(index,v)
aa = tf.constant([1,2,3])
bb = tf.constant([[0,0,0],[1,1,1],[2,2,2]])
tf.print(aa+bb)
cc=tf.constant([[1],[2],[3]])
tf.print(aa+cc)
tf.print(bb+cc)
复制代码


image.png

这是最后广播的结果

目录
相关文章
|
14天前
|
Java API 数据库
构建RESTful API已经成为现代Web开发的标准做法之一。Spring Boot框架因其简洁的配置、快速的启动特性及丰富的功能集而备受开发者青睐。
【10月更文挑战第11天】本文介绍如何使用Spring Boot构建在线图书管理系统的RESTful API。通过创建Spring Boot项目,定义`Book`实体类、`BookRepository`接口和`BookService`服务类,最后实现`BookController`控制器来处理HTTP请求,展示了从基础环境搭建到API测试的完整过程。
31 4
|
16天前
|
XML JSON API
ServiceStack:不仅仅是一个高性能Web API和微服务框架,更是一站式解决方案——深入解析其多协议支持及简便开发流程,带您体验前所未有的.NET开发效率革命
【10月更文挑战第9天】ServiceStack 是一个高性能的 Web API 和微服务框架,支持 JSON、XML、CSV 等多种数据格式。它简化了 .NET 应用的开发流程,提供了直观的 RESTful 服务构建方式。ServiceStack 支持高并发请求和复杂业务逻辑,安装简单,通过 NuGet 包管理器即可快速集成。示例代码展示了如何创建一个返回当前日期的简单服务,包括定义请求和响应 DTO、实现服务逻辑、配置路由和宿主。ServiceStack 还支持 WebSocket、SignalR 等实时通信协议,具备自动验证、自动过滤器等丰富功能,适合快速搭建高性能、可扩展的服务端应用。
75 3
|
21天前
|
数据采集 人工智能 自然语言处理
Python实时查询股票API的FinanceAgent框架构建股票(美股/A股/港股)AI Agent
金融领域Finance AI Agents方面的工作,发现很多行业需求和用户输入的 query都是和查询股价/行情/指数/财报汇总/金融理财建议相关。如果需要准确的 金融实时数据就不能只依赖LLM 来生成了。常规的方案包括 RAG (包括调用API )再把对应数据和prompt 一起拼接送给大模型来做文本生成。稳定的一些商业机构的金融数据API基本都是收费的,如果是以科研和demo性质有一些开放爬虫API可以使用。这里主要介绍一下 FinanceAgent,github地址 https://github.com/AI-Hub-Admin/FinanceAgent
|
2月前
|
JSON Go API
使用Go语言和Gin框架构建RESTful API:GET与POST请求示例
使用Go语言和Gin框架构建RESTful API:GET与POST请求示例
|
2月前
|
开发框架 JSON 缓存
震撼发布!Python Web开发框架下的RESTful API设计全攻略,让数据交互更自由!
在数字化浪潮推动下,RESTful API成为Web开发中不可或缺的部分。本文详细介绍了在Python环境下如何设计并实现高效、可扩展的RESTful API,涵盖框架选择、资源定义、HTTP方法应用及响应格式设计等内容,并提供了基于Flask的示例代码。此外,还讨论了版本控制、文档化、安全性和性能优化等最佳实践,帮助开发者实现更流畅的数据交互体验。
64 1
|
2月前
|
JSON 资源调度 JavaScript
Vue框架中Ajax请求的实现方式:使用axios库或fetch API
选择 `axios`还是 `fetch`取决于项目需求和个人偏好。`axios`提供了更丰富的API和更灵活的错误处理方式,适用于需要复杂请求配置的场景。而 `fetch`作为现代浏览器的原生API,使用起来更为简洁,但在旧浏览器兼容性和某些高级特性上可能略显不足。无论选择哪种方式,它们都能有效地在Vue应用中实现Ajax请求的功能。
32 4
|
2月前
|
缓存 Java 应用服务中间件
随着微服务架构的兴起,Spring Boot凭借其快速开发和易部署的特点,成为构建RESTful API的首选框架
【9月更文挑战第6天】随着微服务架构的兴起,Spring Boot凭借其快速开发和易部署的特点,成为构建RESTful API的首选框架。Nginx作为高性能的HTTP反向代理服务器,常用于前端负载均衡,提升应用的可用性和响应速度。本文详细介绍如何通过合理配置实现Spring Boot与Nginx的高效协同工作,包括负载均衡策略、静态资源缓存、数据压缩传输及Spring Boot内部优化(如线程池配置、缓存策略等)。通过这些方法,开发者可以显著提升系统的整体性能,打造高性能、高可用的Web应用。
63 2
|
3月前
|
Java Spring API
Spring框架与GraphQL的史诗级碰撞:颠覆传统,重塑API开发的未来传奇!
【8月更文挑战第31天】《Spring框架与GraphQL:构建现代API》介绍了如何结合Spring框架与GraphQL构建高效、灵活的API。首先通过引入`spring-boot-starter-data-graphql`等依赖支持GraphQL,然后定义查询和类型,利用`@GraphQLQuery`等注解实现具体功能。Spring的依赖注入和事务管理进一步增强了GraphQL服务的能力。示例展示了从查询到突变的具体实现,证明了Spring与GraphQL结合的强大潜力,适合现代API设计与开发。
106 0
|
3月前
|
API 开发者 Java
API 版本控制不再难!Spring 框架带你玩转多样化的版本管理策略,轻松应对升级挑战!
【8月更文挑战第31天】在开发RESTful服务时,为解决向后兼容性问题,常需进行API版本控制。本文以Spring框架为例,探讨四种版本控制策略:URL版本控制、请求头版本控制、查询参数版本控制及媒体类型版本控制,并提供示例代码。此外,还介绍了通过自定义注解与过滤器实现更灵活的版本控制方案,帮助开发者根据项目需求选择最适合的方法,确保API演化的管理和客户端使用的稳定与兼容。
130 0
|
3月前
|
测试技术 数据库
探索JSF单元测试秘籍!如何让您的应用更稳固、更高效?揭秘成功背后的测试之道!
【8月更文挑战第31天】在 JavaServer Faces(JSF)应用开发中,确保代码质量和可维护性至关重要。本文详细介绍了如何通过单元测试实现这一目标。首先,阐述了单元测试的重要性及其对应用稳定性的影响;其次,提出了提高 JSF 应用可测试性的设计建议,如避免直接访问外部资源和使用依赖注入;最后,通过一个具体的 `UserBean` 示例,展示了如何利用 JUnit 和 Mockito 框架编写有效的单元测试。通过这些方法,不仅能够确保代码质量,还能提高开发效率和降低维护成本。
49 0