TF2的基础函数

2020-08-07

Word count: 629 | Reading time≈ 2 min

张量生成

直接创建

1	`tf.constant(张量内容, dtype=数据类型<可选>)`

创建全为0的张量

1	`tf.zeros(维度)`

创建全为1的张量

1	`tf.ones(维度)`

创建全为指定值的张量

1	`tf.fill(维度, 指定值)`

将numpy数据转化为Tensor数据

1	`tf.convert_to_tensor(数据名, dtype=数据类型<可选>)`

生成正态分布的随机数，默认均值为0，标准差为1

1	`tf.random.normal(维度, mean=均值, stddev=标准差)`

生成截断式正态分布随机数

1	`tf.random.truncated_normal(维度, mean=均值, stddev=标准差)`

生成均匀分布随机数（[minval, maxval)）

1	`tf.random.uniform(维度, minval=0, maxval=1)`

常用函数

将输入特征与标签配对（常用于构建数据集）

1	`tf.data.Dataset.from_tensor_slices( (输入特征, 标签) )`

强制tensor转换为该数据类型

1	`tf.cast(张量名, dtype=数据类型)`

将变量标记为“可训练”

使用该方法标记的变量会在反向传播中记录梯度信息

1	`tf.Variable(初始值)`

某个函数对指定参数的求导运算

with 结构记录计算过程，gradient求出张量的梯度

1
2
3

with tf.GradientTape() as tape:
    若干个计算过程
grad = tape.gradient(函数, 对谁求导)

自减函数（常用于更新参数的值）

需要先用tf.Variable(w)定义w为可训练

1	`w.assign_sub(w要自减的内容)`

独热编码

分类问题中，常用独热码做标签标记类别，1表示是，2表示非

1	`tf.one_hot(带转换数据, depth=几分类)`

one-hot编码，把正整数变为向量表达（生成一个不小于正整数的向量，只有正整数的位置为1，其余位置为0）

三分类：2 -> one-hot -> [0, 0, 1]

softmax：使数值变为0-1之间的概率分布

1	`tf.nn.softmax(张量名)`

argmax：返回张量沿指定维度最大值的索引

1	`tf.argmax(张量名, axis=操作轴)`

张量数值统计

计算张量元素最小值/最大值

1 2	`tf.reduce_min() tf.reduce_max()`

计算张量沿着指定维度的平均值（不指定维度对所有操作）

1	`tf.reduce_mean(张量名, axis=操作轴)`

计算张量沿着指定维度的和

1	`tf.reduce_sum(张量名, axis=操作轴)`

数学运算

两个张量对应元素相加

1	`tf.add(张量1, 张量2)`

相减

1	`tf.subtract()`

相乘

1	`tf.multiply`

相除

1	`tf.divide`

计算张量的平方

1	`tf.square(张量名)`

n次方

1	`tf.pow(张量名, n次方)`

开方

1	`tf.sqrt(张量名)`

两个矩阵相乘

1	`tf.matmul(矩阵1, 矩阵2)`

Donate

Copyright： Copyright is owned by the author. For commercial reprints, please contact the author for authorization. For non-commercial reprints, please indicate the source.