# TensorFlow简单使用（基础篇）

1.强制转换、最大值、最小值

2.平均值、求和

3.标记为可训练

4.四则运算

5.平方、次方与开方

6.矩阵相乘

7.输入特征和标签配对

8.求出张量的梯度

9.枚举函数

10.独热编码

11.概率转换函数

12.自更新函数

13.最大值索引函数

TensorFlow是深度学习的一个重要的数据包，可以实现机器的深度学习。

tf.int，tf.floattf.int 32 ,tf.float 32,tf.float 64tf.booltf.constant([True,False])tf.stringtf.constant(“Hello,world!”)

tf.consatnt（张量内容，dtype=数据类型（可选））

[En]

Direct printing will output all the data types of the tensor (the content of the tensor, the shape of the tensor (the shape of the tensor looks at the comma separated by several numbers, the tensor is multidimensional, in the following example, the comma separates three numbers, which means it is a three-dimensional tensor), the data type of the tensor)

import tensorflow as tf
x=tf.constant([5,1,3],dtype=tf.float32)
print(x)
print(x.dtype)
print(x.shape)


q=np.array([2,3,3,4,5,67])
w=tf.convert_to_tensor(q,dtype=tf.int64)
print(w)


tf.zeros(维度)创建全为0的张量tf.ones(维度)创建全为1的张量tf.fill(维度，指定值)创建全为指定值的张量

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


a=tf.random.normal([4,4],mean=3,stddev=1)
print(a)
b=tf.random.truncated_normal([3,3],mean=0.5,stddev=1)
print(b)


a=tf.random.uniform([4,4],minval=0,maxval=1)
print(a)


## 1.强制转换、最大值、最小值

a=tf.constant([1.23,2.32,3.44,4.132],dtype=tf.float64)
print(a)
b=tf.cast(a,tf.int32)
print(b)
c=tf.reduce_min(a)
print(c)
d=tf.reduce_max(a)
print(d)


axis=0表示纵向操作，axis=1表示横向操作

## 2.平均值、求和

b=tf.random.truncated_normal([3,3],mean=0.5,stddev=1)
print(b)
a=tf.reduce_mean(b,axis=1)
print(a)
c=tf.reduce_sum(b,axis=0)
print(c)


## 3.标记为可训练

w=tf.Variable(tf.random.normal([2,2],mean=0,stddev=1))
print(w)


## 4.四则运算

tf.matmul

(只有相同维度的张量才能执行四次运算)

[En]

(only tensors of the same dimension can perform four operations)

a=tf.constant([[1,2,3],[2,3,3]])
b=tf.constant([[-1,-2,-3],[-2,-3,-3]])
print(a)
print(b)
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(a,b))


## 5.平方、次方与开方

a=tf.fill([3,3],4.)
print(a)
print(tf.pow(a,3))
print(tf.square(a))
print(tf.sqrt(a))


## 6.矩阵相乘

a=tf.fill([3,3],4.)
b=tf.fill([3,3],5.)
print(tf.matmul(a,b))


## 7.输入特征和标签配对

[En]

When the neural network inputs the data, it is necessary to pair the input features and labels into the network.

features=tf.constant([21,32,423,432])
labels=tf.constant([2,1,1,0])
dataset=tf.data.Dataset.from_tensor_slices((features,labels))
print(dataset)
for element in dataset:
print(element)


## 8.求出张量的梯度

with tf.GradientTape() as tape:
w=tf.Variable(tf.constant(4.0))
loss=tf.pow(w,2)


## 9.枚举函数

enumerate 可以用于遍历每一个元素（列表，元组，字符串等），然后将其组合为索引——元素

list=['red','yellow','green','blue','orange','purple']
for i,element in enumerate(list):
print(i,element)



## 10.独热编码

[En]

We often use single thermal coding as our label in classification problems.

[En]

In the above table, the single heat code tells us that the data corresponding to the current label has a 0% chance of being a goose egg and a 100% probability of a duck egg. The 0% probability is eggs.

tf.one_hot()函数将待转换数据转换成独热编码进行数据

tf.one_hot(待转换数据，depth=分成几类)

classes=4
labels=tf.constant([2,3,1,2])
output=tf.one_hot(labels,depth=classes)
print(output)


## 11.概率转换函数

y=tf.constant([1.01,2.01,-0.66])
y_1=tf.nn.softmax(y)
print(y_1)


## 12.自更新函数

w.assign_sub(w要自减的内容）

w=tf.Variable(8)
w.assign_sub(3)
print(w)


## 13.最大值索引函数

import numpy as np
test=np.array([[1,2,3],[2,3,4],[5,6,7],[7,8,9]])
print(test)
print(tf.argmax(test,axis=0))#返回每一列最大值的索引
print(tf.argmax(test,axis=1))#返回每一行最大值的索引


Original: https://blog.csdn.net/weixin_62684026/article/details/124767221
Author: 桜キャンドル淵
Title: TensorFlow简单使用（基础篇）

(0)

### 大家都在看

• #### Pytorch 图像数据集增强（训练集扩展）图像提高泛化容错率

在面临图像训练，数据集的稀缺很容易令模型出现过拟合，泛化能力差等问题。 以下是利用Pytorch 对有限的图像数据集进行图像增强处理以扩展图像训练集。 环境 Pillow8.4.0…

人工智能 2023年7月23日
0129
• #### 第八章 使用 matplotlib 在一个画布内绘制多个图

系列文章目录 第一章 使用 matplotlib 绘制折线图第二章 使用 matplotlib 绘制条形图第三章 使用 matplotlib 绘制直方图第四章 使用 matplot…

人工智能 2023年7月15日
0204
• #### 数据压缩第一周作业——Audaity音频文件分析与RGB文件熵计算

数据压缩第一周作业 作业要求 * 作业一 – 时域分析 频域分析 作业二 – 熵计算 总结 作业要求 1、使用audaity软件分析浊音、清音、爆破音的时域…

人工智能 2023年5月25日
0149
• #### LabVIEW AI视觉工具包（非NI Vision）下载与安装教程

上一篇随笔 如果以上链接下载不方便，可在文章末尾添加群，在群文件中下载相关工具包 1.CPU用户 2.GPU用户 以上就是今天要给大家分享的内容。如果有问题可以在评论区里讨论，提问…

人工智能 2023年6月3日
0222
• #### 毕业后做了两年软件测试，只会功能测试，难道真的要去工地搬砖或者去做销售吗？

以上是一位后台粉丝给我发的私信。 在这里我做出回答，当然不止以上这些还可以摆地摊送外卖呢，当然这都是玩笑话。 其实这位粉丝都入行软件测试了，只会个功能测试，为什么不提升自己的技能呢…

人工智能 2023年6月29日
0150
• #### Collaborativ

问题描述 Collaborative filtering（协同过滤）是一种常用的推荐系统算法，旨在通过分析用户行为和兴趣，找到相似用户或相似物品，并推荐给用户可能感兴趣的物品。本文…

人工智能 2024年1月2日
0122
• #### 学习笔记之——激光雷达SLAM（LOAM系列的复现与学习）

目录 概述 激光雷达SLAM 激光雷达从2D到3D（Cartographer） LOAM (Lidar Odometry and Mapping in Real-time) KIT…

人工智能 2023年5月26日
0162
• #### Pandas高级教程之:Dataframe的重排和旋转

文章目录 简介 使用Pivot 使用Stack 使用melt 使用Pivot tables 使用crosstab get_dummies 简介 使用Pandas的pivot方法可以…

人工智能 2023年7月8日
0155
• #### 【论文理解】Batch Normalization论文中关于BN背景和减少内部协变量偏移的解读（论文第1、2节）

最近在啃Batch Normalization的原论文（Title：Batch Normalization: Accelerating Deep Network Training …

人工智能 2023年7月13日
0132
• #### STATA长面板数据分析

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 一、面板数据基本概念 二、STATA长面板数据分析步骤 * 1.数据导入与处理 2.描述性统计 3.单位…

人工智能 2023年7月14日
0313
• #### 【Python数据分析】利用Python删除EXCEL表格中指定的列数据或行数据

如何利用Python删除EXCEL表格中指定的列数据？今天与大家一起分享一下DataFrame对象的drop（）函数，drop（）函数可根据标签删除EXCEL表格中的列数据或行数据…

人工智能 2023年7月4日
0377
• #### 空间转录组 CCST

今天接着写CCST，CCST借鉴了DGI模型，总体来说是构建了邻接矩阵，然后四层GCN，损失函数是信息熵，与spaGCN有点相似性，后者是计算KL离散度。最后根据模型提取的特征进行…

人工智能 2023年6月3日
0161
• #### 二十一、文本情感分类二

1.1 文本训练化概述 深度学习构建模型前需要将文本转化为向量表示（Word Embedding）。首先需要将文本转化为数字（文本序列化），在把数字转化为向量。 可以考虑把文本中的…

人工智能 2023年5月28日
0185
• #### [三十]深度学习Pytorch-图像目标检测Faster RCNN

往期内容 [一]深度学习Pytorch-张量定义与张量创建 [二]深度学习Pytorch-张量的操作：拼接、切分、索引和变换 [三]深度学习Pytorch-张量数学运算 [四]深度…

人工智能 2023年7月10日
0161
• #### 在m1/m2芯片的mac电脑上运行Stable Diffusion的全步骤

最近开源社区里最火的项目肯定有 Stable Diffussion一个席位。作为一个 AI&#x901A;&#x8FC7;&#x6587;&#x67…

人工智能 2023年7月6日
0139
• #### ROC曲线及EER介绍

文章目录 引言 ROC的引入 * 混淆矩阵 ROC曲线的解释 EER AUC 引言 本文旨在介绍ROC曲线及其前置概念如混淆矩阵、FPR、TPR等，还有其引申概念EER、AUC等等…

人工智能 2023年7月1日
0127