TensorFlow笔记

1.强制tensor转换为该数据类型

 tf.cast(张量名，dtype=数据类型)

2.计算张量维度上元素的最小值/最大值

 tf.reduce_min(张量名) 
 tf.reduce_max(张量名)

3.计算张量沿着指定维度的平均值/和

tf.reduce_mean(张量名，axis= *** 作轴) 
tf.reduce_sum(张量名，axis= *** 作轴)

4.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，常用该函数标记待训练参数

tf.Variable(初始值)

5.实现两个张量的对应元素相加/减/乘/除， 只有维度相同的张量才可以做四则运算

tf.add(张量1，张量2) 
tf.subtract(张量1，张量2) 
tf.multiply(张量1，张量2)
tf.divide(张量1，张量2) 

 6.计算某个张量的平方/n次方/开方

tf.square(张量名
tf.pow(张量名，n次方数)
tf.sqrt(张量名）

7.实现两个矩阵的相乘

tf.matmul(矩阵1，矩阵2)

 8.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.with结构记录计算过程，gradient求出张量的梯度

with tf.GradientTape( ) as tape: 
    若干个计算过程 
grad=tape.gradient(函数，对谁求导)

 10.enumerate是python的内建函数，它可遍历每个元素(如列表、元组或字符串)，组合为：索引元素，常在for循环中使用

 enumerate(列表名)

11.将待转换数据转换为one-hot形式的数据输出

独热编码（one-hot encoding）：在分类问题中，常用独热编码做标签

标记类别：1表示是，0表示非

 tf.one_hot(待转换数据, depth=几分类)

 12.当n分类的n个输出（y0，y1, …… yn-1）通过softmax( ) 函数，便符合概率分布了。

tf.nn.softmax(x)  #使输出符合概率分布

13. 赋值 *** 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.返回张量沿指定维度最大值的索引

 tf.argmax(张量名,axis= *** 作轴)