【深度学习】Tensorflow学习（1）张量与常用函数 2-阿里云开发者社区

【深度学习】Tensorflow学习（1）张量与常用函数 2

2022-11-12 215

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 【深度学习】Tensorflow学习（1）张量与常用函数

常用函数

强制tensor转换为该数据类型

tf.cast(张量名称,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)

import tensorflow as tf
x1=tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2=tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),'\n',tf.reduce_max(x2))

tf.Tensor([1. 2. 3.], shape=(3,), dtype=float64)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32) 
tf.Tensor(3, shape=(), dtype=int32)

axis

axis：用于指定操作方向

在一个二维张量或数组中，可以通过调整axis等于1或者0控制执行维度

axis=0 代表跨行（经度，down）
axis=1 代表跨列（维度，across）
不指定axis，则所有元素参与计算

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)

import tensorflow as tf
x=tf.constant([
[1,2,3],
[4,5,6]
])
print(x)
print(tf.reduce_mean(x)) # 计算张量沿着指定维度的平均值 所有元素参与计算
print(tf.reduce_sum(x,axis=1)) #计算张量沿着指定维度的和  跨列操作

tf.Tensor(
[[1 2 3]
[4 5 6]], shape=(2, 3), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([ 6 15], shape=(2,), dtype=int32)

tf.Variable()

作用：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，常用该函数标记待训练参数

tf.Variable(初始值)

import tensorflow as tf
# 神经网络初始化参数w
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1)) # 生成正态分布的随机数 维度为[2,2] 均值为0 标准差为1
# 通过上述操作，就可以在反向传播中 通过梯度下降更新参数w

import tensorflow as tf
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)

<tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=
array([[ 0.2049946 ,  0.1968063 ],
    [-0.29070154, -0.02642607]], dtype=float32)>

tensorflow中的数学运算

对应元素的四则运算：tf.add，tf.subtract，tf.multiply，tf.divide（加减乘除）

平方：tf.square

次方：tf.pow

开方：tf.sqrt

矩阵乘：tf.matmul

实现两个张量对应元素相加

tf.add(张量1,张量2)

实现两个张量对应元素相减

tf.subtract(张量1,张量2)

实现两个张量对应元素相乘

tf.multiply(张量1,张量2)

实现两个张量对应元素相除

tf.divide(张量1,张量2)

import tensorflow as tf
a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))

tf.Tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
tf.Tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)

计算某个张量的平方

ft.square(张量名)

计算某个张量的N次方

ft.pow(张量名,n次方数)

计算某个张量的开方

ft.sqrt(张量名)

import tensorflow as tf
a = tf.fill([1,3],3.)
print(a)
print(tf.pow(a,3)) # 三次方
print(tf.square(a)) # 平方
print(tf.sqrt(a)) # 开方

tf.Tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.Tensor([[27. 27. 27.]], shape=(1, 3), dtype=float32)
tf.Tensor([[9. 9. 9.]], shape=(1, 3), dtype=float32)
tf.Tensor([[1.7320508 1.7320508 1.7320508]], shape=(1, 3), dtype=float32)

矩阵乘

tf.matmul(矩阵1,矩阵2)

import tensorflow as tf
a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(a)
print(b)
print(tf.matmul(a,b))

tf.Tensor(
[[1. 1.]
[1. 1.]
[1. 1.]], shape=(3, 2), dtype=float32)
tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]], shape=(3, 3), dtype=float32)

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

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

import tensorflow as tf
features = tf.constant([12, 23, 10, 17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
    print(element)

<TensorSliceDataset element_spec=(TensorSpec(shape=(), dtype=tf.int32, name=None), TensorSpec(shape=(), dtype=tf.int32, name=None))>
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)

实现某个函数对指定参数的求导运算

tf.GradientTape

with结构计算过程，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)

import tensorflow as tf
with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))  # 标记为“可训练”
    loss = tf.pow(w, 2)  # 求w的2次方
  # 损失函数loss 对 参数w 的求导数运算
grad = tape.gradient(loss,w)
 print(grad)

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

枚举 enumerate

enumerate是python的内建函数，它可以遍历每个元素（如列表、元组或者字符串），组合为索引元素。常在for循环中使用

enumerate 列表名

import tensorflow as tf
seq = ['one','two','three']
for i,element in enumerate(seq):
  print(i,element)

0 one
1 two
2 three

独热编码（one-hot encoding）

在分类问题中，常用独热编码做标签

标记类别：1表示是，0表示非

tf.one_hot()

该函数将待转换数据。转换为one-hot形式的数据输出

tf.one_hot(待转化数据,depth=几分类)

import tensorflow as tf
classes = 3
labels = tf.constant([1,0,2]) # 输入元素的最小值为0，最大值为2
output = tf.one_hot(labels,depth=classes)
print(output)

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

tf.nn.softmax(x)

作用：使输出符合概率分布

当n分类的n个输出（y₀，y₁ …… y_n-1）通过softmax()函数

便符合概率分布了。

import tensorflow as tf
y = tf.constant([1.01,2.01,-0.66])
y_pro  =tf.nn.softmax(y)
print("After softmax , y_pro is :",y_pro)

After softmax , y_pro is : tf.Tensor([0.25598174 0.6958304  0.0481878 ], shape=(3,), dtype=float32)

assign_sub

作用：常用于参数自更新

赋值操作，更新参数的返回值并返回
调用assign_sub前，先使用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)

import tensorflow as tf
w = tf.Variable(4)
w.assign_sub(1) #  w-=1 即是 w=w-1
print(w)

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

tf.argmax

作用：返回张量沿指定维度最大值的索引

tf.argmax(张量名,axis=操作轴)

import tensorflow as tf
import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
print(tf.argmax(test,axis=0)) # 返回每一行（经度）最大值的索引
print(tf.argmax(test,axis=1)) # 返回每一行（维度）最大值的索引

[[1 2 3]
[2 3 4]
[5 4 3]
[8 7 2]]
tf.Tensor([3 3 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)