TensoFlow学习记录（二）：基础操作

1. 数据类型

• 数据类型有整型（默认是int32），浮点型（默认是float32），以及布尔型，字符串；
  
• Tensor 常见属性：
  • .device 当前设备信息；
  • .numpy() 将Tensor转换为numpy格式；
  • .ndim .shape .rank 返回Tensor形状；
  • .is_tensor 判断是否是Tensor 类型
    
    
• 数据类型转换
  • tf.convert_to_tensor 将数据转换成tensor类型，当从Numpy转换成tensor的时候，会默认是int64，需要指定一下类型，才能成为tf默认的类型也就是int32；
  • tf.cast() 实现tensor的数据类型转换；
    
    
• 求导特性
  • 对参数求梯度的，需要variable包装一下，就拥有了trainable属性，这样就才求梯度。假如是自己写传播过程，更新后的参数也需要用variable包装；
    
• To numpy
  

---

2. 创建Tensor

• from numpy, list
  
• tf.zeros
  
• tf.zeros_like
  
• tf.ones
  
• Fill
  
• Normal 正态分布，传入形状，可指定均值方差
• truncated_normal 裁剪过后的数据，裁去了前后分布太少的数据，只从中间数据多的地方取数据，同样可以指定均值方差。
  
• Uniform 均匀分布初始化，形状，最小值，最大值
  
• random.shuffle 随机打散，可以打散一个索引顺序，通过tf.gather去对应，这样可以实现两个同样行数的数据，进行索引一一对应的随机打散
  
• tf.constant
  

---

3. 索引与切片

• Basic indexing
  
• Numpy-style indexing
  
• start:end
  
• Indexing by :
  
• Indexing by ::
  
• ::-1
  
• …
  
• tf.gather()
  • 输入参数：数据、维度、索引
    
• tf.gather_nd
  • 前面输入数据，后面填取的联合维度。只把最内层的括号当做联合索引的坐标；
    
    
• tf.boolean_mask
  • 按布尔值索引，不指定维度相当于是第一个维度，指定axis就会根据axis去索引。给索引矩阵也可以；
    

---

4. 维度变换

• Reshape
  

• tf.transpose 转置，perm数字指的是数字所在位置上放哪一个原来的维度
  • pytorch中图像存储维度是[b,c,h,w]，tf中是[b,h,w,c]；
    
• tf.expand_dims
  
• tf.squeeze 可以去掉为1的维度。不指定维度的话就去掉所有的为1的维度
  

---

5. Broadcasting

• tf.broadcast_to
  
• Broadcast VS Tile
  

---

6. 数学运算

• ±*/%//
  
• tf.math.log tf.exp
  
• log2, log10?
  
• pow, sqrt
  
• @ matmul
  
  

---

7. 前向传播

import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import datasets
import  os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# x: [60k, 28, 28],
# y: [60k]
(x, y), _ = datasets.mnist.load_data()
# x: [0~255] => [0~1.]
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)

print(x.shape, y.shape, x.dtype, y.dtype)
print(tf.reduce_min(x), tf.reduce_max(x))
print(tf.reduce_min(y), tf.reduce_max(y))


train_db = tf.data.Dataset.from_tensor_slices((x,y)).batch(128)
train_iter = iter(train_db)
sample = next(train_iter)
print('batch:', sample[0].shape, sample[1].shape)


# [b, 784] => [b, 256] => [b, 128] => [b, 10]
# [dim_in, dim_out], [dim_out]
w1 = tf.Variable(tf.random.truncated_normal([784, 256], stddev=0.1))
b1 = tf.Variable(tf.zeros([256]))
w2 = tf.Variable(tf.random.truncated_normal([256, 128], stddev=0.1))
b2 = tf.Variable(tf.zeros([128]))
w3 = tf.Variable(tf.random.truncated_normal([128, 10], stddev=0.1))
b3 = tf.Variable(tf.zeros([10]))

lr = 1e-3

for epoch in range(10): # iterate db for 10
    for step, (x, y) in enumerate(train_db): # for every batch
        # x:[128, 28, 28]
        # y: [128]

        # [b, 28, 28] => [b, 28*28]
        x = tf.reshape(x, [-1, 28*28])

        with tf.GradientTape() as tape: # tf.Variable
            # x: [b, 28*28]
            # h1 = [email protected] + b1
            # [b, 784]@[784, 256] + [256] => [b, 256] + [256] => [b, 256] + [b, 256]
            h1 = [email protected] + tf.broadcast_to(b1, [x.shape[0], 256])
            h1 = tf.nn.relu(h1)
            # [b, 256] => [b, 128]
            h2 = [email protected] + b2
            h2 = tf.nn.relu(h2)
            # [b, 128] => [b, 10]
            out = [email protected] + b3

            # compute loss
            # out: [b, 10]
            # y: [b] => [b, 10]
            y_onehot = tf.one_hot(y, depth=10)

            # mse = mean(sum(y-out)^2)
            # [b, 10]
            loss = tf.square(y_onehot - out)
            # mean: scalar
            loss = tf.reduce_mean(loss)

        # compute gradients
        grads = tape.gradient(loss, [w1, b1, w2, b2, w3, b3])
        # print(grads)
        # w1 = w1 - lr * w1_grad
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])
        w2.assign_sub(lr * grads[2])
        b2.assign_sub(lr * grads[3])
        w3.assign_sub(lr * grads[4])
        b3.assign_sub(lr * grads[5])


        if step % 100 == 0:
            print(epoch, step, 'loss:', float(loss))