Tensorflow2的基本用法

张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数）->得到模型。

张量（tensor）：多维数组（列表）                 阶：张量的维数。

数据类型： tf.float32        tf.int32         bool   string 

创建张量的4种方式

1.

Constant（恒定，在应用中该类型的变量通常是只读，不可修改的）张量

constant （张量的内容，dtype=数据类型（可选））

 

2 . tf. convert_to_tensor(数据名，dtype=数据类型（可选）)

（转换）


3.创建全为0的张量

   tf.zeros(纬度)

   创建全为1的张量

    t f.ones(纬度)

   创建全为指定值的张量

    tf.fill(维度，指定值)

 

   一维 直接写个数

   二维 用[行，列]

 
4.

生成正态分布的随机数，默认均值为0，标准差为1

tf.random.normal(维度，mean=均值，stddev=标准差)

生成截断式正态分布的随机数：

tf.random.truncated_normal(维度，mean=均值，stddev=标准差)

生成均匀分布随机数

tf.random.uniform(维度，minval=最小值，maxval=最大值)

计算图：graph：搭建神经网络的计算过程，只搭建，不运算。

参数是指—>线上的权重w，用变量表示。随机给初值

常用函数：
1.强制数据转化数据类型。
tf.cast（张量名，dtype=数据类型)
2.计算张量维度上元素的最小值
tf.reduce_min(张量名)
3.计算张量维度上元素的最大最。
tf.reduce_max(张量名)
4.axis
=0 对一个维度进行操作
=1 对第二个维度操作
5.计算张量沿着维度的平均值
tf.reduce_mean (张量名，axis=操作轴)
6.计算张量沿着指定维度的和
tf.reduce.sum(z张量名，axis=操作轴)
7.tf.Variable(初始值)
可以将变量标记为“可训练”，被标记的变量会在反向传播中记录梯度信息，神经网络训练中，通常用该函数标记待训练的参数。
tf.Variable(初始值)
w=tf.Variable(tf.random,normal([2,2],mean=0,stddev=1))

8.tf.data.Dataset.from_tensor_slices
切分传入张量的第一维度，生成输入特征/标签对，构建数据集
data=tf.data.Dataset.from_tensor_slices(输入特征，标签)）
9.tf.GradientTape 
gradient求出张量的梯度
with tf.GradientTape( ) as tape:
        若干个计算过程
  gard=tape.gradient(函数，对谁求导)
10.enumerate
Enumerate是python的内建函数，他可以遍历每个元素（如列表，元祖或字符串），组合为：索引 元素，常在for循环中使用

enumerate（列表名）

11.
Tf.one_hot:在分类问题中，常用独热码做标签，
标记类别：1表示是，0表示非。

tf.one_hot(带转换数据，depth=几分类)

12.
 tf.nn.softmax


tf.nn.softmax(x)使输出符合概率分布。

13.assign_sub
 赋值操作，更新参数的值并返回
调用assign_sub前，先用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)
      
14. tf.argmax
 返回张量沿指定维度最大的索引。

 关于学习率：不要太大。太大会在最优模型左右摇摆。太小会叠代太多次