TF2常用函数

1.

• 利用 tf.cast (张量名，dtype=数据类型)强制将 Tensor 转换为该数据类型；

• 利用tf.reduce_min (张量名)计算张量维度上元素的最小值；
• 利用tf.reduce_max (张量名)计算张量维度上元素的最大值。

举例如下：

 

 2.维度的定义

由上图可知对于一个二维张量，如果 axis=0 表示纵向操作(沿经度方向) ，axis=1表示横向操作(沿纬度方向)。

可用 tf.reduce_mean (张量名，axis=操作轴)计算张量沿着指定维度的平均值；可用 f.reduce_sum (张量名，axis=操作轴)计算张量沿着指定维度的和，如不指定 axis，则表示对所有元素进行操作。

3.tf.Variable()函数

可利用 tf.Variable(initial_value,trainable,validate_shape,name)函数可以将变量标记为“可训练”的，被它标记了的变量，会在反向传播中记录自己的梯度信息。

其中

• initial_value 默认为 None，可以搭配 tensorflow 随机生成函数来初始化参数；

• trainable 默认为 True，表示可以后期被算法优化的，如果不想该变量被优化，即改为 False；

• validate_shape 默认为 True，形状不接受更改，如果需要更改，validate_shape=False；

• name 默认为 None，给变量确定名称。

举例如下：w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))

表示首先随机生成正态分布随机数，再给生成的随机数标记为可训练，这样在反向传播中就可以通过梯度下降更新参数 w了。

 4.对应元素的四则运算

• 利用 TensorFlow 中函数对张量进行四则运算。利用 tf.add (张量 1,张量2)实现两个张量的对应元素相加；

• 利用 tf.subtract (张量 1,张量 2)实现两个张量的对应元素相减；
• 利用 tf.multiply (张量 1,张量 2)实现两个张量的对应元素相乘；

• 利用 tf.divide (张量 1,张量 2)实现两个张量的对应元素相除。

注：只有维度相同的张量才可以做四则运算，

举例如下：

 

 5.利用 TensorFlow 中函数对张量进行幂次运算。

• 可用 tf.square (张量名)计算某个张量的平方；
• 利用 tf.pow (张量名，n 次方数)计算某个张量的 n 次方；
• 利用 tf.sqrt (张量名)计算某个张量的开方。

举例如下：

6.可利用 tf.matmul(矩阵 1，矩阵 2)实现两个矩阵的相乘

a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))

输出结果：tf.Tensor([[6. 6. 6.] [6. 6. 6.] [6. 6. 6.]], shape=(3, 3), dtype=float32)，

即 a为一个 3 行 2 列的全 1 矩阵，b 为 2 行 3 列的全 3 矩阵，二者进行矩阵相乘。

 

7.可利用 tf.data.Dataset.from_tensor_slices((输入特征, 标签))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，

此函数对 Tensor 格式与 Numpy格式均适用，其切分的是第一维度，表征数据集中数据的数量，之后切分 batch等操作都以第一维为基础。

举例如下：

features = tf.constant([12,23,10,17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
print(element)

 8.可利用 tf.GradientTape( )函数搭配 with 结构计算损失函数在某一张量处的梯度，

举例如下：

9.可利用 enumerate(列表名)函数枚举出每一个元素，并在元素前配上对应的索引号，常在 for 循环中使用。

举例如下：

 

10.可用 tf.one_hot(待转换数据，depth=几分类)函数实现用独热码表示标签

在分类问题中很常见。标记类别为为 1 和 0，其中 1 表示是，0 表示非。

如在鸢尾花分类任务中，如果标签是 1，表示分类结果是 1 杂色鸢尾，其用把它用独热码表示就是 0,1,0，这样可以表示出每个分类的概率：也就是百分之 0 的可能是 0狗尾草鸢尾，百分百的可能是 1 杂色鸢尾，百分之 0 的可能是弗吉尼亚鸢尾。

举例如下： 

classes = 3
labels = tf.constant([1,0,2])
output = tf.one_hot( labels, depth=classes )
print(output)

输出结果：tf.Tensor([[0. 1. 0.] [1. 0. 0.] [0. 0. 1.]], shape=(3, 3), dtype=float32)

索引从 0 开始，待转换数据中各元素值应小于 depth，若带转换元素值大于等于depth，则该元素输出编码为 [0, 0 … 0, 0]。即 depth 确定列数，待转换元素的个数确定行数。

举例如下：

classes = 3
labels = tf.constant([1,4,2]) # 输入的元素值 4 超出 depth-1
output = tf.one_hot(labels,depth=classes)
print(output)　

输出结果：tf.Tensor([[0. 1. 0.] [0. 0. 0.] [0. 0. 1.]], shape=(3, 3), dtype=float32)，即元素 4 对应的输出编码为[0. 0. 0.]。

11. tf.nn.softmax

可利用 tf.nn.softmax( )函数使前向传播的输出值符合概率分布，进而与独热码形式的标签作比较，其计算公式为

                                                        
 其中 y_i是前向传播的输出。在前一部分，我们得到了前向传播的输出值，分别为 1.01、2.01、-0.66，通过上述计算公式，可计算对应的概率值

上式中，0.256 表示为 0 类鸢尾的概率是 25.6%，0.695 表示为 1 类鸢尾的概率是69.5%，0.048 表示为 2 类鸢尾的概率是 4.8%。

 

 

y = tf.constant ( [1.01, 2.01, -0.66] )
y_pro = tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro)

输出结果：

After softmax, y_pro is:tf.Tensor([0.25598174 0.69583046 0.0481878], shape=(3,), dtype=float32)

 12.assign_sub

可利用 assign_sub 对参数实现自更新。使用此函数前需利用 tf.Variable定义变量 w为可训练(可自更新)，

举例如下：

w = tf.Variable(4)

w.assign_sub(1)

print(w)

输出结果：<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3> 即实现了参数

w自减 1。

注：直接调用 tf.assign_sub 会报错，要用 w.assign_sub

 

13.可利用 tf.argmax (张量名,axis=操作轴)返回张量沿指定维度最大值的索引

 

14 tf.reshape()