tensorflow2.0 常用必备基础函数+知识点（一）

本人也是小菜，记录下 学习知识点。
目前tensorflow与pytorch都比较流行，我觉得两者都应该掌握，但是应该选择一门主修。tensorflow2.0修复了tensorflow1.0好多缺点，现在用起来比较方便。

1、自动求导 gradient

    x = tf.ones((2,2))# 需要计算梯度的操作with tf.GradientTape() as t:t.watch(x)y = tf.reduce_sum(x)z = tf.multiply(y,y)# 计算z关于x的梯度dz_dx = t.gradient(z, x)print(dz_dx)tf.Tensor([[8. 8.][8. 8.]], shape=(2, 2), dtype=float32)

2、Tensor

2.1 数据类型

Tensor	Eg
scalar	dim=0 ,标量，eg:1.1,
vector	dim=1,[1.],[1.1,2.2,]
matrix	dim=2,[1.],[1.1,2.2,]
tensor	???? > 2

2.2 tensor 属性

属性	功能
tensor.device	返回所有的设备名称cpu0/Gpu0
tensor.gpu	返回GPU
tensor.numpy	tensor => numpy
tensor.ndim	返回维度 <==>tf.rank(tensor)
tensor.shape	返回tensor的形状信息
tensor.dtype	返回数据类型
tf.is_tensor(x)	判断x是否是tensorflow类型

2.3 类型转换

numpy 默认float32
tensor 默认 int64

tf.convert_to_tensor (x,dtype=tf.int332)
# 将 x 转换成 int32 位tensor，若不指定dtype，会默认转化为 int64

tf.cast() 非常 常用 ！！！！！

tf.cast(x,dtype = 要转化的类型)

tf.variable(x)
# variable 型变量，梯度信息会记录，可导

tensor运行在GPU上面，要想进行一些具体的控制 逻辑（在CPU）必须将tensor返回一些具体数据。
eg.tensor.numpy() 或者 int(tensor) 、float(tensor) 仅 tensor 是
scalar 时成立

3、Tensor 创建

? from numpy

tf.conver_to_tensor(np.ones([2,3])) 
# 创建shape=(2，3），dtype=float64的全一tensor

? from list

tf.conver_to_tensor([1，2]) 
# 创建shape=(2,),dtype =int32,numpy=array([1,2])的tensor

? zeros, ones

tf.ones([shape])
tf.zeros([shape])

tf.zeros_like(a) <=> tf.zeros(a.shape)
tf.ones_like(b)  <=> tf.ones(b.shape)

? fill

tf.fill([2,3],3)    # 向2行3列的tensor全部写入3

? random

tf.random.narmal([2,2],mean =1, stddev=1)              # 正态分布
tf.random.truncated_normal([2,2],mean =0, stddev=1)    # 避免均值为0
tf.random.uniform([2,2],minval=0,maxval=1)             # 0~1均匀分布

? constant

tf.constant(x)  # 创建常量

4、索引和切片

• 索引从0开始
• [start : end] <=> 索引编号 [0,1,2,…,-3,-2,-1]
• [start : end :step] => 他们的默认值依次是 0，-1，1
• [::-1] => 倒序
• … => 任意可推断出的冒号，a[0,…] =>第0维所有

4.1 索引选择相关函数

tf.gather() => 针对某个维度 # 根据提供的 indices 在 axis 这个轴上对 params 进行索引，拼接成一个新的张量。

tf.gather()         # 针对单个维度
tf.gather_nd()      # 针对多个维度
tf.boolean_mask()          

4.2 维度变换

  tf.reshape()tf.tranpose()

4.3 维度拓展

   tf.expand_dim()tf.broadcast_to()  # 内存没有复制，速度快

4.4 维度压缩

   tf.squeeze()

5、合并与分割

5.1 合并

tf.concat([a,b],axis=0)  
# 将a，b在axis=0的维度上面合并，其他维度不变

tf.stack([a,b],axis=0)
# 创建一个新的维度，a,b的 shape 必须相同

5.2 分割

tf.unstack(c, axis=0)
# 返回axis=0所在维度上的tensor个数的tensor，其shape都相同 

tf.split(c, axis=0，num_or_size_splits=2)  
# 与tf.unstack()类似，用来打散tensor，但是其可指定打散个数
# 此处表示，将 axis=3维 均分成2份

6、数据统计

6.1 范数

tf.norm()
# 求范数，默认2-范数

6.2 最值|均值

tf.reduce_min(a,axis=0)
tf.reduce_max(a,axis=0)
tf.reduce_mean(a,axis=0)
# 求指定维度的op，若不指定，默认求全局值op

tf.argmax()
tf.argmin()
# 返回最值的 索引

6.3 比较是否相等

unique，idx = tf.unique(a)
# 找到不同的元素，并返回元素与索引

res = tf.equal(a,b)
# 比较a，b对应元素，返回布尔值,一般将res转化成int32，方便计算精度

tf.reduce_sum(tf.cast(res,dtype=tf.int32))
一般用来比较 预测值 与 真值

7、张量排序

  tf.sort(a, direction='DESCENDING')# 返回 a 的降序排列，升序为 ASCENDING

 tf.argsort(a, direction='DESCENDING')# 返回排序后的索引index

  tf.math.top_k（k）# 返回前 k 大的值及其索引

8、数据的填充与复制

  tf.pad()tf.tile()

9、张量限幅

tf.clip_by_value(a,2,8)  <=> tf.minimum(tf.maximun(a,2),8)
# 将a限制到一个 2~8 的范围

tf.clip_by_norm() # 按照比例进行放缩

tf.clip_by_global_norm()
# 实现全局不同梯度下降方向的等比例缩放，方向不变

将学习率 lr 设置的较大，则可能出现gradient vanish/explore ，使 norm大，故需要裁剪norm，使其等比例缩小