Tensorflow学习笔记(二)：各种tf类型的函数用法集合

import tensorflow as tf
import numpy as np
"""tf.constant可用于创建tensor类型的int，float，bool"""

a = tf.constant([1,2],dtype=tf.int32)
b = tf.constant(1.2,dtype=tf.double)
c = tf.constant([True,False])
d = tf.constant('hello world')
print(a) # Tensor("Const:0", shape=(2,), dtype=int32)
print(b) # Tensor("Const_1:0", shape=(), dtype=float64)
print(c) # Tensor("Const_2:0", shape=(2,), dtype=bool)
print(d) # Tensor("Const_3:0", shape=(), dtype=string)
print(a.dtype) # <dtype: 'int32'>
print(b.dtype) # <dtype: 'float64'>
print(c.dtype) # <dtype: 'bool'>
print(d.dtype) # <dtype: 'string'>

"""device 是 string 类型 返回当前tensor所在的设备的名字"""
with tf.device('cpu'):
    a = tf.constant(1)
    print(a.device) # /device:CPU:*
with tf.device('gpu'):
    b =tf.constant(1.2,dtype=tf.double)
    print(b.device) # /device:GPU:*

"""tf.rank返回的是数据的维度"""
e =  tf.ones([1,2,3])
print(tf.rank(e)) # Tensor("Rank:0", shape=(), dtype=int32

"""isinstance用于判断数据是否为tensor，或者tf.is_tensor"""
print(isinstance(e,tf.Tensor)) # True
print(tf.is_tensor(e)) # True

"""通过tf.cast可以转换其它类型"""
f = tf.constant([0,1]) #
print(tf.cast(f,tf.bool)) # Tensor("Cast:0", shape=(2,), dtype=bool)

"""
tf.Variable函数可以优化参数，通过这个函数包装可具备求导的特性 ，也表示可以trainable，可训练的意思
isinstance一般不推荐使用，一般用tf.is_tensor和dtype来观察数据类型是否为tensor
"""
g = tf.Variable(f,name='input')
print(isinstance(g,tf.Variable)) # True
print(isinstance(g,tf.Tensor)) # False
print(tf.is_tensor(f)) # True

print("***********************************如何创建tensor******************************************")
"""1.可以通过numpy数据转换得到，也可以通过list得到,tf.float32更为常见"""
print(tf.convert_to_tensor(np.ones([2,3]))) # Tensor("Const_7:0", shape=(2, 3), dtype=float64)
print(tf.cast(tf.convert_to_tensor(np.zeros([2,3])),tf.float32)) # Tensor("Cast_1:0", shape=(2, 3), dtype=float32)
print(tf.convert_to_tensor([[1],[2.]])) # 两行一列 Tensor("Const_9:0", shape=(2, 1), dtype=float32)
"""
2.通过zeros，ones创建,传入的值为shape
zeros_like(a)可创建于a的shape相似的tensor，但是它的值全为0,相当于函数tf.zeros(a.shape)
通过tf.Session().run()可以将tensor类型转换为数组类型
"""
print("-------zeros/ones------")
h = tf.constant([1,2])
print(tf.Session().run(h)) # [1 2]
print(h) # Tensor("Const_10:0", shape=(2,), dtype=int32)
print(tf.zeros_like(h)) # Tensor("zeros_like:0", shape=(2,), dtype=int32)
print(tf.zeros([])) # Tensor("zeros:0", shape=(), dtype=float32)
print(tf.ones([])) # Tensor("ones_1:0", shape=(), dtype=float32)
print(tf.zeros([1])) # Tensor("zeros_1:0", shape=(1,), dtype=float32)
print(tf.zeros([2,3])) # Tensor("zeros_2:0", shape=(2, 3), dtype=float32)
print(tf.zeros([23,3,3])) # Tensor("zeros_3:0", shape=(23, 3, 3), dtype=float32)
print(tf.cast(tf.ones([25,3,3]),tf.int32)) # Tensor("Cast_2:0", shape=(25, 3, 3), dtype=int32)
"""通过tf.fill来进行填充,表示整个矩阵用后面的值来进行填充"""
print("-----------fill--------")
print(tf.fill([2,2],0)) # Tensor("Fill:0", shape=(2, 2), dtype=int32)
print(tf.fill([2,3],1)) # Tensor("Fill_1:0", shape=(2, 3), dtype=int32)
print(tf.fill([5,6],9)) # Tensor("Fill_2:0", shape=(5, 6), dtype=int32)

"""
通过tf.random.normal，为正态分布产生的随机值：常用的参数就是shape，和dtype了，但是也包括方差和均值，参数（shape,stddev,mean,dtype)；
通过tf.random_uniform ，为均匀分布，默然是在0到1之间产生随机数：但是也可以通过maxval指定上界，通过minval指定下界
通过tf.random.truncated_normal表示截断的正态分布，也就是说截去一部分值，重新采样，
     好处就是对于神经网络的sigmoid激活函数，梯度两边趋于0的时候会出现梯度弥散现象(更新会很困难)，通过截断的正态分布可杜绝这一现象
"""
print("----------tf.random-------")
print(tf.random.normal([2,2],mean=1,stddev=1,dtype=tf.float32)) # Tensor("random_normal:0", shape=(2, 2), dtype=float32)
"""把tensor类型转换为numpy类型"""
print(tf.Session().run(tf.random_normal([2,2],mean=1,stddev=1))) # [[ 1.9472154   1.5877222 ]  [-0.41115534  2.4914074 ]]
print(tf.Session().run(tf.random.truncated_normal([2,2],mean=0,stddev=1))) # [[ 1.0924922 -0.7859821]  [-1.0922529 -1.6760032]]
print(tf.Session().run(tf.random_uniform([2,2],minval=0,maxval=0.5))) # [[0.18084687 0.07610059]  [0.2441327  0.19389218]]
print(tf.Session().run(tf.random_uniform([2,2],minval=0,maxval=100,dtype=tf.int32))) #[[84 27]  [43 86]]

"""tf.random.shuffle可以将索引值进行打散"""
idex = tf.range(10)
idx = tf.random.shuffle(idex)
print(tf.Session().run(idx)) # [1 6 8 2 3 4 5 7 0 9]

"""tf.gather的作用是取出tensor中指定位置的元素"""
i = tf.range(0,10)*15+tf.constant(1,shape=[10],dtype=tf.int32)
i1=tf.gather(i,[1,6,8])
print("tf.gather",tf.Session().run(i)) # tf.gather [  1  16  31  46  61  76  91 106 121 136]
print("tf.gather1",tf.Session().run(i1)) # tf.gather1 [ 16  91 121]

"""通过tf.one_hot可以将数组里面对应的值归为1，其它为0，其它的长度根据它depth来决定"""
j = tf.range(4)
j1 = tf.one_hot(j,depth=10)
print("tf.one_hot:",tf.Session().run(j)) # tf.one_hot: [0 1 2 3]
print("tf.one_hot1:",tf.Session().run(j1)) # tf.one_hot1: [[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.], [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.], [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]， [0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]]

"""
根据tf.keras.losses.mse来计算loss
tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和
tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值
tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）
tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或（or运算）
"""
out = tf.random_uniform([4,10])
j = tf.range(4)
k = tf.constant([[1,2,3],[2,3,4]],dtype=tf.float32)
y = tf.one_hot(j,depth=10) # shape 都是(4,10)
print(tf.Session().run(out))
loss = tf.keras.losses.mse(y,out)
print("the loss is :",tf.Session().run(loss)) # the loss is : [0.39633512 0.35060614 0.3344883  0.3332817 ]
loss1 = tf.reduce_mean(loss)
loss2 = tf.reduce_mean(k,axis=0)
loss3 = tf.reduce_mean(k,axis=1) # 如果加了keep_dims=True返回的值也是和原来维度想同
print("the loss1 is :",tf.Session().run(loss1)) # the loss is : 0.30756846,也就是所有的加起来求平均
print("the loss2 is :",tf.Session().run(loss2)) # the loss2 is : [1.5 2.5 3.5]
print("the loss3 is :",tf.Session().run(loss3)) # the loss3 is : [2. 3.]