tensorflow基础02--常用函数
2020-05-24 本文已影响0人
tu7jako
1. 强制tensor转换为该数据类型
tf.cast(张量名，dtype=数据类型)
2. 张量最值计算
计算张量维度上的最小值
tf.reduce_min(张量名)
计算张量维度上的最大值
tf.reduce_max(张量名)
import tensorflow as tf
a = tf.constant([3, 4, 5, 6, 7], dtype=tf.float32)
print(a)
b = tf.cast(a, dtype=tf.float64)
print(b)
print(tf.reduce_min(b))
print(tf.reduce_max(b))
运行结果：
tf.Tensor([3. 4. 5. 6. 7.], shape=(5,), dtype=float32)
tf.Tensor([3. 4. 5. 6. 7.], shape=(5,), dtype=float64)
tf.Tensor(3.0, shape=(), dtype=float64)
tf.Tensor(7.0, shape=(), dtype=float64)
3. 张量的轴
axis：在二维张量或者数组中，用axis=0或axis=1控制执行维度。axis=0表示跨行，axis=1表示跨列（0对第一个维度进行操作，1对第二个维度进行操作）
计算张量沿着指定维度的平均值
tf.reduce_mean(张量名，axis=操作轴)
计算沿着指定维度的和
tf.reduce_sum(张量名，axis=操作轴)
import tensorflow as tf
a = tf.constant([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
print(tf.reduce_mean(a))
print(tf.reduce_mean(a, axis=0))
print(tf.reduce_mean(a, axis=1))
print(tf.reduce_sum(a, axis=0))
print(tf.reduce_sum(a, axis=1))
print(tf.reduce_sum(a))
运行结果：
tf.Tensor(6, shape=(), dtype=int32)
tf.Tensor([5 6 7 8], shape=(4,), dtype=int32)
tf.Tensor([ 2 6 10], shape=(3,), dtype=int32)
tf.Tensor([15 18 21 24], shape=(4,), dtype=int32)
tf.Tensor([10 26 42], shape=(3,), dtype=int32)
tf.Tensor(78, shape=(), dtype=int32)
4. Variable
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，常用该函数标记训练参数。
w = tf.Variable(tf.random.normal([3, 5], mean=0, stddev=1))
# 运行结果
<tf.Variable 'Variable:0' shape=(3, 5) dtype=float32, numpy=
array([[-0.7211323 , -0.42148843, -1.0543721 , -1.1280293 , -1.1020839 ],
[-0.35192478, 1.0499264 , -0.32882023, 0.8757452 , -0.0855011 ],
[-1.2367997 , -1.0482794 , 0.5232124 , 0.09402131, 0.25787485]],
dtype=float32)>
5. 常用数学函数
- 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： tf.matmul
只有维度相同的张量才可以进行四则运算
import tensorflow as tf
a = tf.ones([2, 3])
b = tf.fill([2, 3], 5.)
print(a)
print(b)
print(tf.add(a, b))
print(tf.subtract(a, b))
print(tf.multiply(a, b))
print(tf.divide(a, b))
运行结果：
# a
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]], shape=(2, 3), dtype=float32)
# b
tf.Tensor(
[[5. 5. 5.]
[5. 5. 5.]], shape=(2, 3), dtype=float32)
# a + b
tf.Tensor(
[[6. 6. 6.]
[6. 6. 6.]], shape=(2, 3), dtype=float32)
# a - b
tf.Tensor(
[[-4. -4. -4.]
[-4. -4. -4.]], shape=(2, 3), dtype=float32)
# a * b
tf.Tensor(
[[5. 5. 5.]
[5. 5. 5.]], shape=(2, 3), dtype=float32)
# a / b
tf.Tensor(
[[0.2 0.2 0.2]
[0.2 0.2 0.2]], shape=(2, 3), dtype=float32)
import tensorflow as tf
a = tf.fill((3, 4), 5.)
print(a)
print(tf.square(a))
print(tf.pow(a, 3))
print(tf.sqrt(a))
运行结果：
tf.Tensor(
[[25. 25. 25. 25.]
[25. 25. 25. 25.]
[25. 25. 25. 25.]], shape=(3, 4), dtype=float32)
tf.Tensor(
[[125. 125. 125. 125.]
[125. 125. 125. 125.]
[125. 125. 125. 125.]], shape=(3, 4), dtype=float32)
tf.Tensor(
[[2.236068 2.236068 2.236068 2.236068]
[2.236068 2.236068 2.236068 2.236068]
[2.236068 2.236068 2.236068 2.236068]], shape=(3, 4), dtype=float32)
import tensorflow as tf
a = tf.constant([[1, 1, 1, 1],
[1, 3, 4, 2],
[1, 2, 5, 1]], dtype=tf.float32)
b = tf.fill([4, 3], 3.)
print(a)
print(b)
print(tf.matmul(a, b))
运算结果：
tf.Tensor(
[[1. 1. 1. 1.]
[1. 3. 4. 2.]
[1. 2. 5. 1.]], shape=(3, 4), dtype=float32)
tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]
[3. 3. 3.]
[3. 3. 3.]], shape=(4, 3), dtype=float32)
tf.Tensor(
[[12. 12. 12.]
[30. 30. 30.]
[27. 27. 27.]], shape=(3, 3), dtype=float32)
6. 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（兼容numpy格式）
import tensorflow as tf
features = tf.constant([23, 34, 24, 12])
labels = tf.constant([1, 0, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for ele in dataset:
print(ele)
运行结果：
<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=34>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=24>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
7. tf.GradientTape
with结构记录计算过程，gradient求出张量的梯度
with tf.GradientTape() as tape:
若干计算过程
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))
loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)
print(grad)
运行结果：
tf.Tensor(6.0, shape=(), dtype=float32)
8. tf.one_hot
tf.one_hot()函数将待转换数据，转换为one-hot形式的数据输出。
import tensorflow as tf
labels = tf.constant([1, 0, 2])
output = tf.one_hot(labels, depth=3)
print(output)
运行结果：
tf.Tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
9. tf.assign_sub
- 赋值操作，更新参数的值并返回
- 调用assign_sub前，先用tf.Variable定义变量为可训练（可自更新）
import tensorflow as tf
w = tf.Variable(4)
w.assign_sub(1)
print(w)
运行结果：
<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>
10. tf.argmax
返回张量沿着指定维度最大值的索引
tf.argmax(张量名, axis=操作轴)
import numpy as np
a = np.array([[1, 3, 6],
[2, 5, 8],
[2, 4, 8],
[6, 3, 2]])
print(a)
print(tf.argmax(a, axis=0))
print(tf.argmax(a, axis=1))
运行结果：
[[1 3 6]
[2 5 8]
[2 4 8]
[6 3 2]]
tf.Tensor([3 1 1], shape=(3,), dtype=int64)
tf.Tensor([2 2 2 0], shape=(4,), dtype=int64)
tf.argmin同理可得
