一．维度变换
**tf.reshape(a,[……])：**可以重新定义元素的shape以便数据被更好的利用
#要保证reshape中[]中的所有值之积 = a的各维的数之积
a = tf.random.normal([4,28,28,3])
print(tf.reshape(a,[4,784,3]).shape) #out:(4,784,3)，4*28*28*3 = 4*784*3
print(tf.reshape(a,[4,-1,3]).shape) #out:(4,784,3),这里-1相当于省略中间的一位，使得系统自动计算出来
#恢复时可能会出错，需要记得原本的content，也就是原本的维度的顺序及维度的数tf.transpose():可将原本维度转置（轴交换），设置特定维度顺序，即content修改
a = tf.random.normal([4,3,2,1])
print(tf.transpose(a).shape) #out:(1, 2, 3, 4)，彻底逆转
print(tf.transpose(a,perm=[0,1,3,2]).shape) #out:(4, 3, 1, 2)，按照perm中所写的下标顺序调整Expand dim：增加(展开)维度
#data:[classes,students,subjects] = [4,35,8]
a = tf.random.normal([4,35,8])#一个学校的数据
#若想增加一个学校：[1,4,35,8]+[1,4,35,8] = [2,4,35,8]
print(tf.expand_dims(a,axis=0).shape) #out:(1, 4, 35, 8) 在第0个间隙增加
print(tf.expand_dims(a,axis=3).shape) #out:(4, 35, 8, 1) 在第3个间隙增加Squeeze dim：减少维度，可以减少维度元素数为1的维度
print(tf.squeeze(tf.zeros([1,2,1,1,3])).shape) #out:(2, 3)
print(tf.squeeze(tf.zeros([1,2,1,3]),axis=0).shape) #out:(2, 1, 3) 减少特定的维度
二．Broadcasting广播机制
没有复制数据却可以使数据扩张：tf.broadcast_to()
原理：1、当两个tensor相加时，若两者维度不一致，则在相应位置添加一个维度；2.将维度为1的tensor扩展为同样维度，从右边最小维度开始，往左延伸，若相应的位置没有维度，则插入相应的维度，且扩张为相应的size。
broadcasting
- 没有复制数据却可以使数据扩张：tf.broadcast_to()
原理：1、当两个tensor相加时，若两者维度不一致，则在相应位置添加一个维度；2.将维度为1的tensor扩展为同样维度
import tensorflow as tf
x = tf.random.normal([4,32,32,3])
print((x+tf.random.normal([3])).shape) #out:(4, 32, 32, 3)，此时[3]已经扩张了
print((x+tf.random.normal([32,32,1])).shape) #out:(4, 32, 32, 3)，此时[3]已经扩张了
print((x+tf.random.normal([2,32,32,1])).shape) #out:会报错，只能由1扩展，第一位不相等且不为1
tf.broadcast_to([……],[……])：将前面的[……]扩展为后面的[……]，并返回
b = tf.broadcast_to(tf.random.normal([4,1,1,1]),x.shape)
print(b.shape) #out:(4, 32, 32, 3)三．数学运算
+、-、*、/：元素加减乘除
、pow、square：平方、次方（b3=b^3=pow(b,3)）
sqrt：平方根
//、%：整除、取余
exp、log：对数
@、matmul：矩阵运算
reduce_mean、max、min、sum：均值、最大值、最小值、和
a = tf.ones([2,2])
# tf.Tensor(
# [[1. 1.]
# [1. 1.]], shape=(2, 2), dtype=float32)
b = tf.fill([2,2],2.)
# tf.Tensor(
# [[2. 2.]
# [2. 2.]], shape=(2, 2), dtype=float32)#+、-、*、/、//、%运算
print(a+b,a-b,a*b,a/b,b//a,b%a)
#log、exp运算
print(tf.math.log(a)) #对数运算
# tf.Tensor(
# [[0. 0.]
# [0. 0.]], shape=(2, 2), dtype=float32)
print(tf.exp(a))
# tf.Tensor(
# [[2.7182817 2.7182817]
# [2.7182817 2.7182817]], shape=(2, 2), dtype=float32)#注意：这里的log(a)只能运算以2为底的自然对数log(a,2)
#若是想计算其他对数，可根据公式：log(b,a)/log(c,a)=log(b,c)
print(tf.math.log(8.)/tf.math.log(2.)) #out:tf.Tensor(3.0, shape=(), dtype=float32):即log(8,2)=3#**、pow、square：平方、次方（b**3=b^3=pow(b,3)）
print(tf.pow(b,3)) #这里也等同于b**3
# tf.Tensor(
# [[8. 8.]
# [8. 8.]], shape=(2, 2), dtype=float32)
print(tf.sqrt(b)) #开方
# tf.Tensor(
# [[1.4142135 1.4142135]
# [1.4142135 1.4142135]], shape=(2, 2), dtype=float32)#@、matmul：矩阵相乘运算
print(a@b) #这里也等同于(tf.matmul(a,b))
# tf.Tensor(
# [[4. 4.]
# [4. 4.]], shape=(2, 2), dtype=float32)print(x@W+b)
# tf.Tensor(
# [[2.1]
# [2.1]
# [2.1]
# [2.1]], shape=(4, 1), dtype=float32)