TensorFlow-简单常见函数_tensorflow最简单函数-CSDN博客

本文链接：https://blog.csdn.net/LMengi000/article/details/115955169

这篇博客展示了TensorFlow的基础操作，包括常量、张量的创建、数学运算（如次方、平方、开方）、矩阵乘法以及变量的自减。还介绍了如何构建数据集，对特征和标签进行配对，以及使用独热编码处理标签。此外，文章还涵盖了梯度计算、softmax函数的应用，确保模型输出符合概率分布。最后，讨论了变量的更新操作和索引选择在数组中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
a = tf.fill([1,2],3.)
print("a:",a)
print("a的次方：",tf.pow(a,3))
print("a的平方：",tf.square(a))
print("a的开放:",tf.sqrt(a))
"""
a: tf.Tensor([[3. 3.]], shape=(1, 2), dtype=float32)
a的次方： tf.Tensor([[27. 27.]], shape=(1, 2), dtype=float32)
a的平方： tf.Tensor([[9. 9.]], shape=(1, 2), dtype=float32)
a的开放: tf.Tensor([[1.7320508 1.7320508]], shape=(1, 2), dtype=float32)
"""

import tensorflow as tf
a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print("a:",a)
print("b:",b)
print("a*b:",tf.matmul(a,b))

"""
a: tf.Tensor(
[[1. 1.]
 [1. 1.]
 [1. 1.]], shape=(3, 2), dtype=float32)
b: tf.Tensor(
[[3. 3. 3.]
 [3. 3. 3.]], shape=(2, 3), dtype=float32)
a*b: tf.Tensor(
[[6. 6. 6.]
 [6. 6. 6.]
 [6. 6. 6.]], shape=(3, 3), dtype=float32)
"""

把特征和标签配对。

import tensorflow as tf
features = tf.constant([12,23,10,17])
labels = tf.constant([0,1,1,0])
dataset = tf.data.Dataset.from_tensor_slices((features,labels))
for element in dataset:
    print(element)
"""
(<tf.Tensor: shape=(), dtype=int32, numpy=12>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
(<tf.Tensor: shape=(), dtype=int32, numpy=23>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=10>, <tf.Tensor: shape=(), dtype=int32, numpy=1>)
(<tf.Tensor: shape=(), dtype=int32, numpy=17>, <tf.Tensor: shape=(), dtype=int32, numpy=0>)
"""

实现函数对参数的求导运算。

import tensorflow as tf
with tf.GradientTape() as tape:
    x = tf.Variable(tf.constant(3.0))
    y = tf.pow(x,2)
grad = tape.gradient(y,x)
print(grad)

"""
tf.Tensor(6.0, shape=(), dtype=float32)
"""

可以枚举出每一个元素，并在元素前加上索引号。

seq = ['one','two','three']
for i,element in enumerate(seq):
    print(i,element)

"""
0 one
1 two
2 three
"""

常用用独热编码表示标签，

import tensorflow as tf
classes = 3
labels = tf.constant([1,0,2])#输入的元素最小值为0，最大值为2
output = tf.one_hot(labels,depth=classes) #（待转换数据，分几类）
print("result of labels1:",output)

"""
result of labels1: tf.Tensor(
[[0. 1. 0.]
 [1. 0. 0.]
 [0. 0. 1.]], shape=(3, 3), dtype=float32)
"""

在前向传播过程中，输出的值符合概率分布，才能与独热码进行比较，因此，用softmax，让输出的值符合概率分布，结果为0.256，0.695，0.048，它们的和为1.

0.256表示为第0类鸢尾花的概率是25.6%

softmax是让n分类的n个输出，符合概率分布，概率值在0-1之间，和为1.

import tensorflow as tf
y = tf.constant([1.01,2.01,-0.66])
y_pro = tf.nn.softmax(y)
print("After softmax,y_pro is :",y_pro)#y_pro符合概率分布
print("The sum of y_pro:",tf.reduce_sum(y_pro)) #通过softmax后，所有概率加起来和为1

"""
After softmax,y_pro is : tf.Tensor([0.25598174 0.69583046 0.04818781], shape=(3,), dtype=float32)
The sum of y_pro: tf.Tensor(1.0, shape=(), dtype=float32)
"""

import tensorflow as tf
x = tf.Variable(4)
x.assign_sub(1) #自减操作
print("x:",x)  #4-1=3  

"""
x: <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=3>
"""

import numpy as np
import tensorflow as tf
test = np.array([[1,2,3],[2,3,4],[5,4,3],[8,7,2]])
print("test:\n",test)
print("每一列的最大值的索引：",tf.argmax(test,axis=0))
print("每一行的最大值索引：",tf.argmax(test,axis=1))

"""
test:
 [[1 2 3]
 [2 3 4]
 [5 4 3]
 [8 7 2]]
每一列的最大值的索引： tf.Tensor([3 3 1], shape=(3,), dtype=int64)
每一行的最大值索引： tf.Tensor([2 2 0 0], shape=(4,), dtype=int64)
"""