MOOC北大tensorflow笔记一

青旅半醒 2021-09-25 12:58 411阅读 0赞

**一.张量**

·张量tensor ：多维数组（列表） 阶：张量的维数

·张量可以表示0阶到n阶数组（列表）

张量的数据类型：

![20210804162039906.png][]

代码清单：

import  tensorflow as tf
    import numpy as np
    
    a=tf.constant([[2,3],[2,5]],dtype=tf.int32)
    print(a)
    print(a.dtype)
    print(a.shape)
    
    b=tf.constant(np.arange(12).reshape((3,4)),dtype=tf.float32)
    print(b)
    print(b.dtype)
    print(b.shape)
    
    # 用正态分布生成数据
    c=tf.random.normal([2,2],mean=0.5,stddev=1)#生成均值为0.5，标准差为1的二维数据
    d=tf.random.truncated_normal([2,2],mean=0.5,stddev=1)#生成均值为0.5，标准差为1的二维数据,这些元素在两倍标准差之内，数据更向均值0.5集中
    e=tf.random.uniform([2,2],minval=12,maxval=20)# 生成均匀分布随机数[minval,maxval)
    print(e)
    
    # 强制tensor转换为该数据类型
    f=tf.cast(b,tf.int32)
    print(f)
    #计算张量维度上的最大值,最小值，均值等等
    print(tf.reduce_max(b))
    ======================================打印结果===========================================
    tf.Tensor(
    [[2 3]
     [2 5]], shape=(2, 2), dtype=int32)
    <dtype: 'int32'>
    (2, 2)
    tf.Tensor(
    [[ 0.  1.  2.  3.]
     [ 4.  5.  6.  7.]
     [ 8.  9. 10. 11.]], shape=(3, 4), dtype=float32)
    <dtype: 'float32'>
    (3, 4)
    tf.Tensor(
    [[18.466003 13.447195]
     [18.900255 17.91539 ]], shape=(2, 2), dtype=float32)
    tf.Tensor(
    [[ 0  1  2  3]
     [ 4  5  6  7]
     [ 8  9 10 11]], shape=(3, 4), dtype=int32)
    tf.Tensor(11.0, shape=(), dtype=float32)

** 二. tf.Variable**

将变量标记为“可训练”，被标记的变量会在方向传播中记录梯度信息。神经网络训练中，常用该函数标记带训练参数。

tf.Variable(初始值)

w = tf.Variable(tf.constant(5, dtype=tf.float32))#定义随机参数值为5，设定为可训练

这样就可以在梯度下降中更新参数w

**三. 常用函数对应的**

**1.四则运算**

![2021080417095087.png][]

注意：只有维度相同的张量才能进行四则运算

**2.n次方**

![20210804171148379.png][]

**3.矩阵相乘 ** tf.matmul(矩阵1，矩阵2)

** 4.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

tf.data.Dataset.from\_tensor\_slices（(输入特征，标签))

代码清单：

# 标签配对
    features=tf.constant([12,34,45,37])
    labels=tf.constant(['a','b','c','d'])
    dataset=tf.data.Dataset.from_tensor_slices((features,labels))
    
    print(dataset)
    for el in dataset:
        print(el)
    =============打印结果=======================================
    
    <TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.string)>
    (<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=string, numpy=b'a'>)
    (<tf.Tensor: shape=(), dtype=int32, numpy=34>, <tf.Tensor: shape=(), dtype=string, numpy=b'b'>)
    (<tf.Tensor: shape=(), dtype=int32, numpy=45>, <tf.Tensor: shape=(), dtype=string, numpy=b'c'>)
    (<tf.Tensor: shape=(), dtype=int32, numpy=37>, <tf.Tensor: shape=(), dtype=string, numpy=b'd'>)

Numpy和Tensor格式都可用改语句读入数据

**5.tf.GradientTape()**

GradientTape是eager模式下计算梯度用的

with tf.GradientTape() as tape:
        w = tf.Variable(tf.constant(3.0))
        loss=tf.pow(w,2)
    grad=tape.gradient(loss,w)
    print(grad)
    
    ==============计算结果==================
    tf.Tensor(6.0, shape=(), dtype=float32)

with as结构来计算梯度过程，将tf.GradientTape()的返回值记录到tape中，在定义代价函数loss，下面tape.gradinet(代价函数,对谁求偏导)来计算求偏导结果。如上例子结果为6

**6.enumerate**

enumerate是python的内建函数，它可以遍历每个元素（如列表、元组、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 ,el in enumerate(seq):
        print(i,el)
    
    =========运行结果==============
    0 one
    1 two
    2 three

**7.tf.one\_hot()**

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。函数将待转换的数据，转为one-hot形式的数据输出。

tf.one\_hot(带转换数据，depth=几分类)

classes=4
    labels=tf.constant([1,3,0])
    output=tf.one_hot(labels,depth=classes)
    print(output)
    ===============运行结果=====================
    tf.Tensor(
    [[0. 1. 0. 0.]
     [0. 0. 0. 1.]
     [1. 0. 0. 0.]], shape=(3, 4), dtype=float32)

如上例子：分为四分类，数据标签有3个数字，对应位置填1就好，比如，第二个数据3，在下面第二行索引为3处。

** 8.tf.nn.soft.max()**

当n分类的n个输出（y0，y1，.......yn-1）通过softmax()函数，使符合概率分布。每个概率值为0~1之间，这些概率的和为1。例如下图鸢尾花的例子。

![20210804215318163.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxOTUwNDQ3_size_16_color_FFFFFF_t_70][]

用代码实现算法过程：

如果神经网络前向传播结果为\[1.01,2.01,-0.66\]，送入算法中，得出概率分布结果。

y=tf.constant([1.01,2.01,-0.66])
    y_pro=tf.nn.softmax(y)
    print("After softmax y_pro is:",y_pro)
    
    =================运行结果================
    After softmax y_pro is: tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)

**9.assign\_sub**

自减，赋值操作，更新参数的值并返回，注意的是条用assign\_sub之前，先用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）

w=tf.Variable(4) # 定义可训练的值
    w.assign_sub(1) # w进行自减1 
    print(w)
    
    ==============运行结果=============
    <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>

**10.tf.argmax**

返回张量沿指定的维度最大值的索引

tf.argmax(张量名，axis=操作轴) axis=0纵向 axis=1横向

test=np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
    print(test)
    print(tf.argmax(test,axis=1))#横向每行最大值的索引号
    print(tf.argmax(test,axis=0))#纵向每列最大值的索引号
    
    ===========运行结果======================
    [[1 2 3]
     [2 3 4]
     [3 4 5]
     [4 5 6]]
    tf.Tensor([2 2 2 2], shape=(4,), dtype=int64)
    tf.Tensor([3 3 3], shape=(3,), dtype=int64)

[20210804162039906.png]: /images/20210923/158248436c47476f88ef38333b891d60.png
[2021080417095087.png]: /images/20210923/d345de9dda764988a77e5270830e2e9f.png
[20210804171148379.png]: /images/20210923/38b7168309274ec39330ffcc49ebfa6e.png
[20210804215318163.png]: /images/20210923/79286321495d46c8b57e91e4eb6804ac.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxOTUwNDQ3_size_16_color_FFFFFF_t_70]: /images/20210923/a4fcedf7055346b49d65a2eaa4c88ac8.png