Tensor_(张量)常用函数

  1. 创建张量

tf.constant(张量内容,dtype=数据类型(可选))

  1. 将Numpy的数据类型转换为Tensor数据类型

tf.convert_to_tensor(数据名,dtype=数据类型(可选))

  1. 创建全为0的张量

tf.zeros(维度)

  1. 创建全为1的张量

tf.ones(维度)

  1. 创建全为指定值的张量

tf.fill(维度,指定值)

维度释义:
         一维 直接写个数
         二维 用[行,列]
         三维 用[n,m,j,k......]
  1. 生成正态分布的随机数,默认均值为0,标准差为1

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

  1. 生成截断式正态分布的随机数

tf.random.truncated_normal(维度,mean=均值,stddev=标准差)生成的随机数在均值上下两倍标准差之内

  1. 生成均匀分布随机数 [minval,maxval)

tf.random.uniform(维度,minval=最小值,maxval=最大值)

  1. 强制tensor转换为该数据类型

tf.cast( 张量名,dtype=数据类型)

  1. 计算张量维度上的最小值

tf.reduce_min(张量名)

  1. 计算张量维度上的最大值

tf.reduce_max(张量名)

  1. 计算张量沿着指定维度的平均值

tf.reduce_mean(张量名, axis=操作轴)

  1. 计算张量沿着指定维度的和

tf.reduce_sum(张量名, axis=操作轴)

axis释义:
              axis=0 按行计算(纵向)
              axis=1 按列计算(横向)
              如不指定axis,则所有元素参与计算
  1. 标记可训练变量

tf.Variable(初始值)
Variable函数可以将变量标记为“可训练”的,被标记的变量会在反向传播中记录梯度信息

  1. 数学计算公式

加:tf.add(张量1,张量2)、减:tf.subtract(张量1,张量2)、 乘:tf.multiply 、除:tf.divide
只有维度相同的张量才可以做四则运算
平方:tf.square(张量名)、 次方: tf.pow(张量名,n次方数)、 开方:tf.sqrt(张量名)
矩阵乘:tf.matmul(矩阵1,矩阵2)

  1. 特征和标签配对的函数

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

  1. 求导函数

with结构记录计算过程,gradient求出张量的梯度
with tf.GradientTape() as tape:
若干个计算过程
grad = tape.gradient(函数,对谁求导)

  1. 枚举函数

enumerate(列表名) 可以遍历每个元素,组合为:索引 元素,常在for循环中使用

  1. 独热码

独热编码(one-hot encoding):在分类问题中,常用独热码做标签,独热类别:1表示是,0表示非
tf.one_hot(带转换数据,depth=几分类)

  1. 输出符合概率分布

tf.nn.softmax(x) 每输出值变为0-1之间的概率值,这些概率的和为1。

  1. 参数自更新

w.assign_sub(w要自减的内容) 自减更新作用在w上,w先要定义为可训练。

  1. 返回最大值的索引

tf.argmax(张量名,axis=操作轴) 返回每一行(列)张量沿指定维度最大值的索引

©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容