- 创建张量
tf.constant(张量内容，dtype=数据类型(可选))
- 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))
- 创建全为0的张量
tf.zeros(维度）
- 创建全为1的张量
tf.ones(维度）
- 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......]
- 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）
- 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
- 生成均匀分布随机数 [minval,maxval)
tf.random.uniform(维度，minval=最小值，maxval=最大值）
- 强制tensor转换为该数据类型
tf.cast( 张量名，dtype=数据类型）
- 计算张量维度上的最小值
tf.reduce_min(张量名）
- 计算张量维度上的最大值
tf.reduce_max(张量名）
- 计算张量沿着指定维度的平均值
tf.reduce_mean(张量名， axis=操作轴)
- 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
- 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
- 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)
- 特征和标签配对的函数
data = tf.data.T=Dataset.from_tensor_slices((输入特征，标签))
- 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)
- 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
- 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）
- 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。
- 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。
- 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
