01-TensorFlow基本概念与常见函数

1.数据类型

TensorFlow主要有以下几种数据类型

2.张量 1.张量定义

TensorFlow 中的 Tensor 表示张量，是多维数组、多维列表，用阶表示张量的维数。

0 阶张量叫做标量，表示的是一个单独的数，如 1 2 3；1 阶张量叫作向量，表示的是一个一维数组如[1,2,3]；2 阶张量叫作矩阵，表示的是一个二维数组，它可以有 i 行 j
列个元素，每个元素用它的行号和列号共同索引到，如在[[1,2,3],[4,5,6],[7,8,9]]中，2 的索引即为第 0 行第 1 列。张量的阶数与方括号的数量相同，0 个方括号即为 0 阶张量，1 个方括号即为 1 阶张量。故张量可以表示0 阶到 n 阶的数组。 2.创建张量

tf.constant(张量内容，dtype=数据类型(可选))

import tensorflow as tfif __name__ == '__main__': a = tf.constant([1, 5], dtype=tf.int64) print(a) print(a.dtype) print(a.shape)

运行结果

3.NumPy

很多时候, 数据格式是NumPy给出的.
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

比如可通过 reshape 的方式得到更高维度数组，举例如下：

import numpy as npif __name__ == '__main__': c = np.arange(24).reshape(2, 4, 3) #2*4*3的数组 print(c)

运行结果

通常我们需要将numpy的数据类型转换为Tensor数据类型
tf、convert_to_tensor(数据名，dtype=数据类型(可选))

import tensorflow as tfimport numpy as npif __name__ == '__main__': a = np.arange(0, 5) b = tf.convert_to_tensor(a, dtype=tf.int64) print(a) print(b)

运行结果

3.常用函数 1.张量创建

import tensorflow as tfif __name__ == '__main__': a = tf.zeros([2, 3]) //2行3列的矩阵, 元素全为0 b = tf.ones(4) //4个1的向量 c = tf.fill([2, 2], 9) //2行2列的矩阵, 元素全为9 print(a) print(b) print(c)

运行结果

2.随机数

a.正态分布

import tensorflow as tfif __name__ == '__main__': d = tf.random.normal([2, 2], mean=0.5, stddev=1) print(d) e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1) print(e)

运行结果

b.均匀分布

import tensorflow as tfif __name__ == '__main__': f = tf.random.uniform([2, 2], minval=0, maxval=1) print(f)

运行结果

3.类型转换

import tensorflow as tfif __name__ == '__main__': x1 = tf.constant([1., 2., 3.], dtype=tf.float64) print(x1) x2 = tf.cast(x1, tf.int32) print(x2)

运行结果

4.最大最小值

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

运行结果

5.axis

import tensorflow as tfif __name__ == '__main__': x = tf.constant([[1, 2, 3], [2, 2, 3]]) print(x) print(tf.reduce_mean(x)) print(tf.reduce_sum(x, axis=1))

运行结果

6.Variable

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

运行结果

4.数学运算 1.加减乘除

import tensorflow as tfif __name__ == '__main__': 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))

运行结果

2.自减操作

import tensorflow as tfif __name__ == '__main__': w = tf.Variable(4) w.assign_sub(1) print(w)

运行结果

3.指数运算

import tensorflow as tfif __name__ == '__main__': a = tf.fill([1, 2], 3.) print(a) print(tf.pow(a, 3)) print(tf.square(a)) print(tf.sqrt(a))

运行结果

4.矩阵乘法

import tensorflow as tfif __name__ == '__main__': a = tf.ones([3, 2]) b = tf.fill([2, 3], 3.) print(tf.matmul(a, b))

运行结果

5.梯度计算

import tensorflow as tfif __name__ == '__main__': with tf.GradientTape() as tape: w = tf.Variable(tf.constant(3.0)) loss = tf.pow(w, 2) # loss=w^2 loss’=2w grad = tape.gradient(loss, w) print(grad)

运行结果

5.其他函数 1.特征标签配对

运行结果

2.遍历函数

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

运行结果

3.独热编码

import tensorflow as tfif __name__ == '__main__': 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)

运行结果

4.softmax

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

5.argmax

import tensorflow as tfimport numpy as npif __name__ == '__main__': test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]]) print(test) print(tf.argmax(test, axis=0)) # 返回每一列（经度）最大值的索引 print(tf.argmax(test, axis=1)) # 返回每一行（纬度）最大值的索引

运行结果