直接print(a)是不能看见VALUE，因为张量是表示了过程态的数据格式，需要结合SESSION运行才能打印.
import tensorflow as tf a = tf.constant([2,5],dtype=tf.int64) # create a tensor(张量) print(a) print(a.dtype) print(a.shape)
tf.Tensor([2 5], shape=(2,), dtype=int64) <dtype: 'int64'> (2,)
tf.random.truncated_normal生成截断式正态分布随机数，如果生成的数据在(μ±2σ)之外则重新生成，保证了随机数集中在均值附近。
b = tf.random.normal([3,2],mean=0,stddev=1) # 正态分布 c = tf.random.truncated_normal([3,2],mean=0,stddev=1) # 截断式正态分布 d = tf.random.uniform([3,2],minval=0,maxval=1) # 均匀分布 print(b,'\n',c,'\n',d)
tf.Tensor( [[ 0.7058287 -0.5170417 ] [ 0.45135102 -0.46539077] [-0.9698766 -0.14145553]], shape=(3, 2), dtype=float32) tf.Tensor( [[-0.18341348 -0.63185996] [ 0.18809798 0.30583274] [-0.2232003 0.13983348]], shape=(3, 2), dtype=float32) tf.Tensor( [[0.8689097 0.734738 ] [0.90087473 0.7620368 ] [0.4774233 0.02882552]], shape=(3, 2), dtype=float32)
e = tf.cast(b,tf.int64) # 强制tensor转换为该数据类型 print(e) print(tf.reduce_min(b),'\n',tf.reduce_max(b)) # 计算张量维度上元素的最小值、最大值 print('--------') print(tf.reduce_mean(b,axis=0),'\n',tf.reduce_sum(b,axis=0))
tf.Tensor( [[0 0] [0 0] [0 0]], shape=(3, 2), dtype=int64) tf.Tensor(-0.9698766, shape=(), dtype=float32) tf.Tensor(0.7058287, shape=(), dtype=float32) -------- tf.Tensor([ 0.06243438 -0.37462935], shape=(2,), dtype=float32) tf.Tensor([ 0.18730313 -1.123888 ], shape=(2,), dtype=float32)
f = tf.random.normal([4,3,2]) print(f,'\n------\n') print(tf.reduce_mean(f,axis=0),'\n------\n',tf.reduce_mean(f,axis=1),'\n------\n',tf.reduce_mean(f,axis=2))
tf.Tensor( [[[ 1.8950557 -1.565545 ] [ 0.9876125 0.32145634] [ 0.03488503 -1.0272403 ]] [[-3.315065 -0.34581408] [ 1.7234309 -1.6426992 ] [-0.20039786 1.2526344 ]] [[ 2.0086255 0.5620748 ] [-0.88069105 -1.5739042 ] [ 0.14661889 2.0572565 ]] [[-0.61506957 -0.60781413] [-0.10987079 -3.2380192 ] [ 0.5165913 -0.88713425]]], shape=(4, 3, 2), dtype=float32) ------ tf.Tensor( [[-0.00661333 -0.48927462] [ 0.43012038 -1.5332916 ] [ 0.12442434 0.34887904]], shape=(3, 2), dtype=float32) ------ tf.Tensor( [[ 0.97251767 -0.75710964] [-0.597344 -0.24529298] [ 0.4248511 0.3484757 ] [-0.06944969 -1.5776558 ]], shape=(4, 2), dtype=float32) ------ tf.Tensor( [[ 0.16475534 0.6545344 -0.4961776 ] [-1.8304394 0.04036582 0.5261183 ] [ 1.2853501 -1.2272975 1.1019377 ] [-0.61144185 -1.673945 -0.18527147]], shape=(4, 3), dtype=float32)
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，常用该函数标记待训练参数。
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
四则运算：tf.add,tf.subtract,tf.multiply,tf.divide
平方、次方、开方：tf.square,tf.pow,tf.sqrt
矩阵乘法：tf.matmul
神经网络训练时，是把输入特征和标签配对后喂入网络的。
tf.data.Dataset.from_tensor_slices可以实现这一功能：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))
Numpy和Tensor格式都可用该语句读入数据。
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>)
with结构可以记录计算的过程，返回as后面的那个值。tf.GradientTape函数可以求出张量的梯度。
with tf.GradientTape() as tape:
若干个计算过程
grad = tape.gradient(函数,对谁求导)
print(grad)
with tf.GradientTape() as tape: w = tf.Variable(tf.constant(3.0)) loss = tf.pow(w,2) grad = tape.gradient(loss,w) print(grad)
tf.Tensor(6.0, shape=(), dtype=float32)
enumerate是python的内建函数，它可以遍历每个元素（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,element)
0 one 1 two 2 three
独热编码(one-hot encoding)：在分类问题中，常用独热码做标签，标记类别：1表示是，0表示非。
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)
classes = 3 labels = tf.constant([1,0,2]) # 输入的元素值最小为0，最大为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)
当n分类的n个输出(y0,y1,…,yn-1)通过softmax()函数，便符合概率分布了。
tf.nn.softmax()函数可实现这一功能。
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 0.69583046 0.04818781], shape=(3,), dtype=float32)
assign_sub()函数
可实现复制操作，更新参数值并返回（相当于自加自减）。
调用assign_sub前，先用td.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(4) w.assign_sub(1) print(w)
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>
tf.argmax()函数返回张量研指定维度最大值的索引
tf.argmax(张量名,axis=操作轴)
t = tf.constant([[1,2,3],[2,3,4],[5,4,3],[8,7,2]]) print(t) print(tf.argmax(t,axis=0)) # 返回每一列（经度）最大值索引 print(tf.argmax(t,axis=1)) # 返回每一行（纬度）最大值索引
tf.Tensor( [[1 2 3] [2 3 4] [5 4 3] [8 7 2]], shape=(4, 3), dtype=int32) tf.Tensor([3 3 1], shape=(3,), dtype=int64) tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)
