張量tensor：多維數組（列表） 階：張量的維數

維數? ? ? ? 階? ? ? ? 名字? ? ? ? ? ? ? ? ? ? ? ? 例子

0-D? ? ? ? ? 0? ? ? ? ?標量 scalar? ? ? ? ? ? ?s = 1， 2， 3

1-D? ? ? ? ? 1? ? ? ? ?向量 vector? ? ? ? ? ? ?v = [1, 2, 3]

2-D? ? ? ? ? 2? ? ? ? ?矩陣 matrix? ? ? ? ? ? ?m = [[1,2,3],[4,5,6]]

n-D? ? ? ? ? n? ? ? ? ?張量?tensor? ? ? ? ? ? ?t = [[[]]]

tensorflow 數據類型

tf.int32, tf.float32， tf.float64

tf.bool tf.constant([True, False])

tf.string tf.constant("hello world")

創建張量 tf.constant(張量內容， dtype=數據類型（可選））

import tensorflow as tf
a = tf.constant([1,5], dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)

1.將numpy的數據類型轉化為Tensor數據類型

tf.convert_to_tensor(數據名，dtype=數據類型（可選））

import tensorflow as tf
import numpy as np
a = np.arange(0,5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
print(a)
print(b)

2.tf,zeros(維度) 全為0 tf.ones(維度）全為1 tf.fill(維度，指定值—）

a = tf.zero([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9)
print(a)
print(b)
print(c)

3.生成符合正態分布的隨機數，默認值為0，標準差為1

tf.random.normal(維度，mean=均值， stddev= 標準差）

4.生成截斷式正態分布的隨機數，集中一些，保證在范圍內

tf.random.truncated_normal(維度，mean=均值， stddev=標準差）

5.生成均勻分布的隨機數

tf.random.uniform(維度，minval=最小值， maxval = 最大值）[min, max)

6.強制類型轉換

tf.cast(張量名， dtype=數據類型）

7.計算張量維度上的元素的最小值

tf.reduce_min(張量名）

8.計算張量維度上元素的最大值

tf.reduce_max(張量名）?

9.axis=0,對縱向操作， axis = 1 橫向操作

10. tf,Variable（）將變量標記為可訓練的，被標記的變量會在反向傳播中記錄梯度信息。

11.四則運算， math等，維度相同

12.特征和標簽配對的函數，切分傳入張量的第一個維度，生成輸入特征/標簽對，構建數據集

data = tf.data.Dataset.from_tensor_slices((輸入特征，標簽))

?13.求導函數

with結構記錄計算過程，GradientTape求出張量的梯度

?14.enumerate,遍歷序列，并在元素前配置索引號，內置函數

15.tf.one_hot 獨熱編碼：在分類問題中，常用獨熱碼做標簽，標記類別：1表示是，0表示非

tf.one_hot(待轉化的數據，depth=幾分類）

classes = 3
label = tf.constant([1,0,2])
output = tf.one_hot(labels, depth=classes)
print(output)

16.當神經網絡完成前向傳播時，計算出概率，當概率符合概率分布時，才能作為概率輸出tf.nn.softmax

當n分類的n個輸出通過tf.nn.softmax,便符合概率分布，即可輸出，其總和滿足1

任意的x P(X = x)∈[0,1],?????????

y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)
print(y_pro)

17.assign_sub,賦值操作，更新參數的值并返回

在調用assign_sub前，先用tf.Variable 定義變量w為可訓練（可自更新）

w.assgin_sub(w要自減的內容）

?18.tf.argmax 返回0/1方向上最大值的索引號

tf.argmax(張量名，axis=操作軸)