技術標籤：TensorFlowtensorflow常用函式

內容來源視訊，視訊地址：here

2019年3月 tensorflow 2.0 測試版釋出
2019年10月 tensorflow 2.0 正式釋出
2020年1月 tensorflow2.1 釋出

• 建立一個張量，tf.constant(張量內容, dtype=資料型別[可選])

• 將numpy資料裝換成tensor資料型別，tf.convert_to_tensor(資料名, dtype=資料型別[可選])

• 建立全為0的張量，tf.zeros(維度);

• 建立全為1的張量，tf.ones(維度);

• 建立全為指定值的張量，tf.fill(維度, 指定值)

  ;

• 生成正態分佈的隨機數， 預設均值為0，標準差為1，tf.random.normal(維度, mean=均值, stddev=標準差);

• 生成截斷式正態分佈的隨機數，tf.random.truncated_normal(維度, mean=均值, stddev=標準差);
  隨機數的取值在 ( μ − 2 θ , μ + 2 θ ) (\mu - 2\theta, \mu + 2\theta) (μ−2θ,μ+2θ)之間，之外會重新生成；

• 生成均勻分佈隨機數，tf.random.uniform(維度, minval=最小值, maxval=最大值);

• tensor資料型別轉換：tf.cast(張量名, dtype=資料型別)

  ;

• 計算張量維度上的元素最小值：tf.reduce_min(張量名, axis=軸)，axix=0表示列上，1表示行上；
  類似的還有：tf.reduce_max、tf.reduce_sum、tf.reduce_mean等；

• tf.Variable(初始值)將變數標記為“可訓練”，被標記的變數會在反向傳播中記錄梯度資訊。
  eg. w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))，也就是正太分佈隨機初始化我們定義維度的可訓練引數w:
  

• 四則運算：tf.add(張量1, 張量2)、tf.subtract(張量1, 張量2)、tf.multiply(張量1, 張量2)

  、tf.divide(張量1, 張量2)，分別對應加減乘除；維度相同的張量才可進行四則運算。

• tf.square(張量)、tf.pow(張量, n次方)、tf.sqrt(張量)，分別對應平方、次方和開方；

• 使用tf.matmul(矩陣1, 矩陣2)來進行矩陣乘法；

• 輸入特徵與對應標籤的配對，使用tf.data.Dataset.from_tensor_slices((輸入特徵, 標籤))，Numpy和Tensor格式的都可以使用該語句讀入資料。

• 函式對引數的求導運算，使用with結構記錄計算過程，gradient求出張量的梯度。

with tf.GradientTape() as tape:
    若干個計算過程
grad = tape.gradient(函式, 對誰求導)

案例：

with tf.GradientTape() as tape:
    w = tf.Variable(tf.constant(3.0))
    loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)
print(grad) # 6.0

因為目標函式是 y = w 2 y=w^2 y=w2， 而標記的求導變數是w，且初始化為常數3，那麼結果就是6。

• 獨熱編碼表示，使用tf.one_hot(帶轉換資料， depth=幾分類),
  eg.

datas = tf.constant([2, 0, 1])
classes = 3 # 待分類類別
output = tf.one_hot(datas, depth=classes)
print(output)

• softmax即：tf.nn.softmax(x)
• 引數自更新函式，tensor.assign_sub(tensor要自減的內容)

w = tf.Variable(4)
w.assign_sub(2)
print(w) # 2

類似的，還有assign_add

• 返回張量在指定軸上的最大值下標，tf.argmax(tensor, axis=軸)

a = tf.constant([[1, 2, 3],[4, 5, 6]])
print(tf.argmax(a, axis=0))
print(tf.argmax(a, axis=1))

• 條件語句，tf.where(條件語句, 真返回A, 假返回B)
  
• 將兩個資料按照垂直方向疊加，np.vstack(陣列1, 陣列2）

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
c = np.vstack((a, b))
print(c)

• 網格座標點生成，np.mgrid[],.ravel(), np.c_[]

x, y = np.mgrid[1:3:1, 2:4:0.5] # 起始值:結束值:步長
print(x)
print(y)

x, y = np.mgrid[1:3:1, 2:4:0.5] # 起始值:結束值:步長
grid = np.c_[x.ravel(), y.ravel()]
print(grid)