TensorFlow常用函数

皮大大

发布于 2023-08-23 16:58:42

1620

发布于 2023-08-23 16:58:42

文章被收录于专栏：机器学习/数据可视化机器学习/数据可视化

Tensoflow常用函数

本文记录的是TensorFlow中常用的函数

tf.cast：强制数据类型转换
tf.reduct_mean/sum：求和或均值
tf.reduce_max/min：求最值
tf.Variable：标记变量
四则运算
tf.data.Dataset.from_tensor_slices：特征和标签配对

import tensorflow as tf
import numpy as np

理解axis

在一个二维张量或者数组中，通过改变axis=0或1来控制执行的维度

0：表示经度，跨行，down
1：表示纬度，跨列，across

如果不指定的话，则全员参与计算

tf.cast

强制tensor转换为该数据类型

tf.cast(张量名, dtype=数据类型)

In [2]:

x1 = tf.constant([1,2,3],dtype=tf.float64)
x1

Out[2]:

<tf.Tensor: shape=(3,), dtype=float64, numpy=array([1., 2., 3.])>

In [3]:

x2 = tf.cast(x1, dtype=tf.int64)  # 转换数据类型
x2

Out[3]:

<tf.Tensor: shape=(3,), dtype=int64, numpy=array([1, 2, 3])>

tf.reduce_max/min

计算张量维度上的最值

In [4]:

print(tf.reduce_max(x2))
tf.Tensor(3, shape=(), dtype=int64)

In [5]:

print(tf.reduce_min(x2))
tf.Tensor(1, shape=(), dtype=int64)

tf.reduct_mean/sum

计算张量沿着指定维度的平均值或者和

In [6]:

i = tf.constant([[1,2,3],
                 [4,5,6]
                ],dtype=tf.float64)
i

Out[6]:

<tf.Tensor: shape=(2, 3), dtype=float64, numpy=
array([[1., 2., 3.],
       [4., 5., 6.]])>

In [7]:

tf.reduce_mean(i)  # 默认是全部数值的均值

Out[7]:

<tf.Tensor: shape=(), dtype=float64, numpy=3.5>

In [8]:

tf.reduce_mean(i, axis=0)

Out[8]:

<tf.Tensor: shape=(3,), dtype=float64, numpy=array([2.5, 3.5, 4.5])>

In [9]:

tf.reduce_mean(i, axis=1)

Out[9]:

<tf.Tensor: shape=(2,), dtype=float64, numpy=array([2., 5.])>

In [10]:

tf.reduce_sum(i)  # 1+2+3+4+5+6

Out[10]:

<tf.Tensor: shape=(), dtype=float64, numpy=21.0>

In [11]:

tf.reduce_sum(i, axis=0)

Out[11]:

<tf.Tensor: shape=(3,), dtype=float64, numpy=array([5., 7., 9.])>

In [12]:

tf.reduce_sum(i, axis=1)

Out[12]:

<tf.Tensor: shape=(2,), dtype=float64, numpy=array([ 6., 15.])>

tf.Variable

tf.Variable()将函数标记为可训练，被标记的变量会在反向传播中记录梯度信息。

神经网络中常用该函数来标记待训练的参数。

In [13]:

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

Out[13]:

<tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=
array([[-1.3200597 ,  1.123157  ],
       [ 0.4855043 , -0.06241844]], dtype=float32)>

上面变量w的解释：

先生成正态分布的随机数
再将随机数标记为可训练，这样在神经网络的反向传播中就可以通过梯度下降更新参数w了

数学运算

四则运算：tf.add(t1,t2)、tf.subtract、tf.multiply、tf.divide
平方、次方与开方：tf.square、tf.pow(t,n次方)、tf.sqrt
矩阵乘：tf.matmul

注意：只有维度相同的两个张量才能进行四则运算

tf.data.Dataset.from_tensor_slices

切分传入张量的第一维度，生成输入特征和标签对，构建数据集：特征和标签配对

Numpy和Tensor格式都可以使用该语句读入数据

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

In [14]:

features = tf.constant([12,15,20,27])
labels = tf.constant([0,1,0,1])

dataset = tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
<TensorSliceDataset element_spec=(TensorSpec(shape=(), dtype=tf.int32, name=None), TensorSpec(shape=(), dtype=tf.int32, name=None))>

In [15]:

for element in dataset:
    print(element)
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=15>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=20>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=27>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2022-4-4，如有侵权请联系 cloudcommunity@tencent.com 删除

tensorflow