Tensor Flow基础(2.0)

写在前面:此篇纯属自我记录,参考意义不大。

  • 数据类型
    • 数值型
      • 标量Scalar:1.0,2.3等,shape为0->[] a = 1.2
      • 向量Vector:[1.0],[2.3,5.4]等,shape为1->[n] a = tf.constant([2.3,5.4])
      • 矩阵Matrix:[[1.0,2.3],[3.4,5.4]]等,shape为2->[n,m] a = tf.constant([[1.0,2.3],[3.4,5.4]]
      • 张量Tensor:维度数dim>2的数组统称为张量,张量的每个维度也叫轴(Axis) tf = constant([[[1,2],[3,4]],[[5,6],[7,8]]])
    • 字符串型
      • a = tf.constant('hello world')
      • 函数:join(),length(),split()
    • 布尔型
      • Boolean、bool a = tf.constant(True)
      • TensorFlow的布尔类型和python语言的布尔类型并不对等
  • 数值精度
    • tf.int16、tf.int32、tf.int64、tf.float32、tf.float64(tf.double)
  • 待优化张量
    • tf.Variable,为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量,再普通张量的基础上添加了name,trainable等属性来支持计算图的构建
  • Numpy、list --> tensor
    • tf.convert_to_tensor([1,2.3]),numpy中浮点数数组默认使用64-bit精度保存数据,转换到Tensor类型时精度为tf.float64
  • 合并和分割
    • 拼接:tf.concat([a,b],axis=0),不会创建新的维度
    • 堆叠:tf.stack([a,b],axis=0),增加第一个维度
    • 分割:tf.split(x,axis,num_or_size_splits),x是待分割张量,axis分割的维度索引号,num_or_size_splits切割方案
  • 向量范数
    • tf.norm(x,ord=1)、tf.norm(x,ord=2)、tf.norm(x,ord=np.inf)计算∞范数
  • 最大最小值、均值、和
    • tf.reduce_max,tf.reduce_min,tf.reduce_mean,tf.reduce_sum
  • 张量比较
    • 为了计算分类任务的准确率等指标,一般需要将预测结果和真实标签比较,统计比较结果中正确的数量来就是计算准确率。
    • out = tf.equal(pred,y)->true\false out = tf.cast(out,dtype=tf.float32)->int correct = tf.reduce_sum(out)->true的个数
    • tf.math.greater(a>b)、tf.math.less(a<b)、tf.math.greater_equal(a>=b)、tf.math.less_equal(a<=b)、tf.math.not_equal(a!=b)、tf.math. is_nan(a = nan)
  • Tensor Flow基础(2.0)
上一篇:53. 最大子序和


下一篇:剑指 Offer 53 - I. 在排序数组中查找数字 I