常用函数

1
2
3

tf.cast(张量名,dtype=数据类型) # 强制转换
tf.reduce_min(张量名) # 找最小值
tf.reduce_max(张量名) # 找最大值

axis 参数

如在一个二维张量中，可以通过调整axis的值来操找各个维度

axis=0时表示对跨行操作，axis=1时表示跨列操作

1 2	tf.reduce_mean(张量名,axis=操作轴) # 沿着指定张量求均值 tf.reduce_sum(张量名,axis=操作轴) # 沿指定维度求和

1	tf.Variable(初始值) # 将变量标记为可训练的

tf.add(张量1, 张量2) # 张量相加
tf.subtract(张量1, 张量2) # 张量相减
tf.multiply(张量1,张量2) # 张量相乘
tf.divide(张量1,张量2) # 张量消除

只有维度相同才可进行四则运算

1
2
3

tf.square(张量名) # 计算张量平方
tf.pow(张量名,n次幂) # 幂次运算
tf.sqrt(张量名) # 开方运算

1	tf.matmul(矩阵1，矩阵2)

1	data = tf.data.Dataset.form_tensor_slices((输入特征,标签))

某个函数对指定参数的求导运算

with结构记录计算过程，gradient求出张量梯度

1 2	with tf.GradientTape() as tape: grad = tape.gradient(函数,对谁求导)

结果

在求导阶段：通过搜索 source node 到 target node 的路径，进而计算出偏微分

赋值操作，更新参数值并返回。

调用函数时，必须使用tf.Variable 定义变量w为可训练（可自更新）。

w.assign_sub(w要自减的内容)

1
2
3

w = tf.Variable(4)
w.assign_sub(1)
print(W)

返回指定维度最大值元素的索引

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))
print(tf.argmax(test,axis=0))

![image-20220406160808636](周科任-第3周-学习笔记/image-20220406160808636.png)