上篇文章写了如何生成张量，以及如何将numpy数组转化为tensorflow中tensor，这篇文章我们主要研究tensorflow中常用的一些函数
（1）转换数据类型
# 常用函数
# 强制tensor转换为改数据类型 tf.cast(张量名,dtype=数据类型)
# 计算张量维度上元素最小值最大值tf.reduce_min(张量名) tf.reduce_max(张量名)
x1 = tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2 = tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))
?（2）关于行列的函数
# 在一个二维张量或数组中，可以通过调整axis等于0或1控制执行维度
# axis=0代表跨行，axis=1代表跨列，如果不指定axis，则所有元素参与计算
# col0 col1 col2 col3 col4
# row0 --------------------------------->axis=1
# row1 |
# row2 |
# row3 |
# row4 V
# axis=0
# 计算张量沿指定维度的平均值tf.reduce_mean(张量名，axis=操作轴)
# 计算张量沿指定维度的和tf.reduce_sum(张量名，axis=操作轴)
x = tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x,axis=1))
print('-'*50)
?（3）神经网络中常用bias
# tf.Variable 将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。
# tf.Variable(初始值)
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)
print('-'*50)
?（4）数学运算函数
# tensorflow中数学运算
# 对应元素的四则运算
# tf.add 加 tf.add(张量1,张量2)
# tf.subtract 减 tf.subtract(张量1,张量2)
# tf.multiply 乘 tf.multiply(张量1,张量2)
# tf.divide 除 tf.divide(张量1,张量2)
# tf.square 平方
# tf.pow 次方
# tf.sqrt 开方
# tf.matmul 矩阵乘
a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))
print('-'*50)
a = tf.fill([1,2],3.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))
print('-'*50)
a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(tf.matmul(a,b))
print('-'*50)
?（5）特征标签对生成函数
# tf.data.Dataset.from_tensor_slices 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data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
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)
?完整代码如下：
import tensorflow as tf
# 常用函数
# 强制tensor转换为改数据类型 tf.cast(张量名,dtype=数据类型)
# 计算张量维度上元素最小值最大值tf.reduce_min(张量名) tf.reduce_max(张量名)
x1 = tf.constant([1.,2.,3.],dtype=tf.float64)
print(x1)
x2 = tf.cast(x1,tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))
print('-'*50)
# 在一个二维张量或数组中，可以通过调整axis等于0或1控制执行维度
# axis=0代表跨行，axis=1代表跨列，如果不指定axis，则所有元素参与计算
# col0 col1 col2 col3 col4
# row0 --------------------------------->axis=1
# row1 |
# row2 |
# row3 |
# row4 V
# axis=0
# 计算张量沿指定维度的平均值tf.reduce_mean(张量名，axis=操作轴)
# 计算张量沿指定维度的和tf.reduce_sum(张量名，axis=操作轴)
x = tf.constant([[1,2,3],[2,2,3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x,axis=1))
print('-'*50)
# tf.Variable 将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息。
# tf.Variable(初始值)
w = tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)
print('-'*50)
# tensorflow中数学运算
# 对应元素的四则运算
# tf.add 加 tf.add(张量1,张量2)
# tf.subtract 减 tf.subtract(张量1,张量2)
# tf.multiply 乘 tf.multiply(张量1,张量2)
# tf.divide 除 tf.divide(张量1,张量2)
# tf.square 平方
# tf.pow 次方
# tf.sqrt 开方
# tf.matmul 矩阵乘
a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(b,a))
print('-'*50)
a = tf.fill([1,2],3.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))
print('-'*50)
a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(tf.matmul(a,b))
print('-'*50)
# tf.data.Dataset.from_tensor_slices 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data=tf.data.Dataset.from_tensor_slices((输入特征,标签))
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)
# tf.GradientTape 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)
with tf.GradientTape() as tape:
w = tf.Variable(tf.constant(3.0))
# loss = w**2
loss = tf.pow(w,2)
# grad = w**2求导 = 2*w
grad = tape.gradient(loss,w)
print(grad)
print('-'*50)
# enumerate是python内建函数，可以遍历每个元素(如列表、元组或字符串)
seq = ['one','two','three']
for i,element in enumerate(seq):
print(i,element)
print('-'*50)
# tf.one_hot函数将待转换数据，转换为one-hot形式的数据输出
# tf.one_hot(待转换数据,depth=几分类)
classes = 3
labels = tf.constant([1,0,2])
output = tf.one_hot(labels,depth=classes)
print(output)
print('-'*50)
# tf.nn.softmax,n分类的n个输出，通过softmax函数，便符合概率分布了
y = tf.constant([1.01,2.01,-0.66])
y_pro = tf.nn.softmax(y)
print(f'After softmax,y_pro is:{y_pro}')
print('-'*50)
# assign_sub 赋值操作，更新参数的值并返回，调用assign_sub前，先将tf.Variable定义变量w为可训练,w.assign)sub（w要自减的内容）
w = tf.Variable(4)
# w-=1 即w=w-1
w.assign_sub(1)
print(w)
print('-'*50)
# 返回张量沿指定维度最大值的索引,tf.argmax(张量名,axis=操作轴)
import numpy as np
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print(test)
print(tf.argmax(test,axis=0)) #返回每一列最大值的索引
print(tf.argmax(test,axis=1)) #返回每一行最大值的索引