筆記基於北大的tensorflow2.0教程，將課程的一些重要內容記下來，方便於學習。
一、常用函式
強制資料型別轉換——tf.cast(張量名，dtype=資料型別)
找張量最小值——tf.reduce_min(張量名)
找張量最大值——tf.reduce_max(張量名)
二維張量中，可以通過調整axis控制執行維度；axis=1表示橫向操作；axis=0表示縱向操作 。
計算張量指定維度的平均值——tf.reduce_mean(張量名，axis=操作軸)，如果不指定axis，則對所有元素進行操作
計算張量指定維度的和——tf.reduce_sum(張量名，axis=操作軸)，如果不指定axis，則對所有元素進行操作
將變數標記為可訓練——tf.variable(初始值)；被標記的變數會在反向傳播中記錄梯度資訊。
二、常用計算函式
四則運算：tf.add(張量1，張量2)，tf.subtract(張量1，張量2)，tf.multiply(張量1，張量2)，tf.divide(張量1，張量2)；維度相同，才可以進行四則運算
示例：
import tensorflow as tf
a = tf.ones([1,3])
b = tf.fill([1,3],3.)
print(a)
print(b)
print(tf.add(a,b))
print(tf.subtract(a,b))
print(tf.multiply(a,b))
print(tf.divide(a,b))
tf.tensor([[1. 1. 1.]], shape=(1, 3), dtype=float32)
tf.tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.tensor([[4. 4. 4.]], shape=(1, 3), dtype=float32)
tf.tensor([[-2. -2. -2.]], shape=(1, 3), dtype=float32)
tf.tensor([[3. 3. 3.]], shape=(1, 3), dtype=float32)
tf.tensor([[0.33333334 0.33333334 0.33333334]], shape=(1, 3), dtype=float32)
矩陣乘法：tf.matmul(矩陣1，矩陣2)
示例：
import tensorflow as tf
a = tf.ones([3,2])
b = tf.fill([2,3],3.)
print(tf.matmul(a,b))
tf.tensor(
[[6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]], shape=(3, 3), dtype=float32)
生成輸入特徵/標籤對，構建資料集
data =tf.data.dataset.from_tensor_slices(輸入特徵，標籤)
示例：
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)
(, )
(, )
(, )
(, )
四、求導
1.with結構中利用tf.gradienttapeq()求張量梯度，結構如下：
with tf.gradienttapeq() as tape：
計算過程
grad = tape.gradient(函式，對誰求導)
示例：
import tensorflow as tf
with tf.gradienttape() as tape:
w = tf.variable(tf.constant(3.0))
loss = tf.pow(x, 2)
grad = tape.gradient(loss, w)
print(grad)
2.enumerate(列表名)
enumerate可遍歷每個元素，常在for迴圈中使用
示例：
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
print(i, element)
0 one
1 two
2 three
1表示是，0表示非
tf.one_hot()函式將待轉換資料轉換為one-hot形式的資料輸出。
tf.one_hot(待轉換資料，depth=幾分類)
示例：
import tensorflow as tf
classes = 3
labels = tf.constant([1, 0, 2]) # 輸入的元素值最小為0，最大為2
output = tf.one_hot(labels, depth=classes)
print("result of labels1:", output)
print("\n")
result of labels1: tf.tensor(
[[0. 1. 0.]
[1. 0. 0.]
[0. 0. 1.]], shape=(3, 3), dtype=float32)
tf.nn.softmax()可以將n分類的n輸出轉換為概率輸出
示例：
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)) # 通過softmax後，所有概率加起來和為1
after softmax, y_pro is: tf.tensor([0.25598174 0.69583046 0.0481878 ], shape=(3,), dtype=float32)
the sum of y_pro: tf.tensor(1.0, shape=(), dtype=float32)
使用前要利用tf.variable將變數定義為可更新（可訓練）。
示例：
import tensorflow as tf
x = tf.variable(4)
x.assign_sub(1)
print("x:", x) # 4-1=3
x:示例：
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)) # 返回每一列最大值的索引
print("每一行的最大值的索引", tf.argmax(test, axis=1)) # 返回每一行最大值的索引
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)
每一行的最大值的索引 tf.tensor([2 2 0 0], shape=(4,), dtype=int64)
tensorflow2 0學習筆記（3 2）
自編碼器變種 1 denoising auto encoder 加隨機雜訊 2 dropout auto encoder 防止過擬合 3 adversarial auto encoder 利用額外的判別器網路來判定降維的隱藏變數?是否取樣先驗分布?對抗自編碼器是從下一章要介紹的生成對抗網路演算法衍生...
Tensorflow2 0學習筆記 建立張量
使用constant建立張量 使用constant函式建立張量 其中 1，5 表示張量內容，dtype表示資料型別 a tf.constant 1,5 dtype tf.int32 輸出a，a的資料型別，a的形狀 print a print a.dtype print a.shape 輸出結果 tf...
Tensorflow2 0學習筆記 常用函式（一）
1.資料型別轉換函式 定義乙個張量 a tf.constant 0,1,2 3,4,5 6,7,8 dtype tf.int64 強制轉換型別函式 b tf.cast a,tf.float32 reduce max查詢張量中最大的數，axis x表示對對應的行或者列求和 本例中為二維張量，0對應的對...