前言

以下内容中使用环境为 tensorflow 2.3.0
且 import tensorflow as tf

1. 张量

1.1 创建

tf.constant(张量)

例子：

x=tf.constant([[2，3]，[1，5]])
print(x)

输出：
在这里插入图片描述

1.2 操作（张量，shape(形状),dtype(数据类型)）

由上图输出图中可以清楚看到其数据中包含三个元素：张量，shape(形状),dtype(数据类型)，而调用这些数据的处理方式：

数据	导出方式
张量	.numpy()
shape	.shape
dtype	.dtype

例子：

#续上文 
#x=tf.constant([[2，3]，[1，5]])
x.numpy()


print('dtype:',x.dtype)
print('shape:',x.shape)

输出：
在这里插入图片描述

1.3 其他的特殊创建（全0，全1，随机）

1.3.1 全0，全1创建

tf.one(shape=(...))	创建一个大小为...的全1张量
tf.zero(shape=(...))	创建一个大小为...的全0张量

例子：

print(tf.ones(shape=(2, 1)))
print(tf.zeros(shape=(2, 1)))

在这里插入图片描述

1.3.2 随机生成（正态分布，均匀分布）

1.3.2.1 正态分布

tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。

参数：

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
    shape: 输出张量的形状，必选
    mean: 正态分布的均值，默认为0
    stddev: 正态分布的标准差，默认为1.0
    dtype: 输出的类型，默认为tf.float32
    seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
    name: 操作的名称

例子：

tf.random.normal(shape=(2, 2), mean=0., stddev=1.)

输出：
在这里插入图片描述

1.3.2.2 均匀分布

random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)
shape：一维整数张量或python数组输出张量形状
minval：dtype类型的0-D张量或python值；生成的随机值范围的下限，默认为0
maxval：dtype类型的0-D张量或python值；生成的随机值范围的上限，如果dtype为float，默认为1
dtype：输出的类型：float16,float32,float64,int32,int64
seed:seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名称

例子：

tf.random.uniform(shape=(2, 2), minval=0, maxval=10, dtype='int32')

输出：
在这里插入图片描述

2. 变量

变量是用于存储可变状态（如神经网络权重）的特殊张量。

2.1 创建

变量的创建是基于张量上的，Variable（）这个构造函数需要初始值，这个初始值可以是一个任何类型任何形状的Tensor，初始值的形状和类型决定了这个变量的形状和类型。构造之后，这个变量的形状和类型就固定了。

“”

函数：tf.Variable(常量名称)

例子：

initial_value = tf.random.normal(shape=(2, 2))
a = tf.Variable(initial_value)
print(a)

输出：
在这里插入图片描述

2.2 操作（赋值，加法，减法）

函数	作用
assign(value, use_locking=False)	为变量指定一个新的值
assign_add(delta, use_locking=False)	为这个变量加上一个值
assign_sub(delta, use_locking=False)	为这个变量减去一个值
read_value()	返回这个变量的值，在当前的上下文中读取。返回的是一个含有这个值的Tensor
set_shape(shape)	改变变量形状

new_value = tf.random.normal(shape=(2, 2))
a.assign(new_value)
#---------------------------------------------
# The values above are the same as those below
#---------------------------------------------
for i in range(2):
  for j in range(2):
    assert a[i, j] == new_value[i, j]

added_value = tf.random.normal(shape=(2, 2))
a.assign_add(added_value)
#---------------------------------------------
# The values above are the same as those below
#---------------------------------------------
for i in range(2):
  for j in range(2):
    assert a[i, j] == new_value[i, j] + added_value[i, j]

3. 在TensorFlow中进行数学运算

3.1 简单的加减，开方，e的幂

a = tf.random.normal(shape=(2, 2))
b = tf.random.normal(shape=(2, 2))

c = a + b
d = tf.square(c)
e = tf.exp(d)
print(a)
print(b)
print(c)
print(d)
print(e)