动手学习深度学习1

这个笔记是《动手学习深度学习》的学习笔记，github地址：动手学习深度学习)

数据操作

我们这部分先记录怎么进行数据操作

首先我们先说学物理的都比较熟悉的张量，在TensorFlow我们先引入包:

1

import tensorflow as tf

首先可以使用range创建一个行张量，

1

x = tf.range(3)

可以访问shapr属性来访问张量的形状。

如果想要知道张量中元素的个数，可以使用size函数

1
2
3
4


x.shape
# 输出 (3,)
tf.size(x)
# 输出 3

可以使用reshape函数来改变张量的形状

1
2


x = tf.range(6)
x = x.reshape((2, 3))

使用reshape函数时，必须保证元素个数不变。

使用-1作为参数的时候，函数会自动计算出需要的维度，

1
2


x = tf.range(6)
x = tf.reshape(3，-1)

有的时候我们想要使用一个所有元素都相等的张量，我们可以创建一个确定形状的张量，代码如下

1
2
3


tf.zeros((2,3,4))#创建一个形状为(2,3,4)的张量，所有元素都为0
tf.ones((2,3,4))#创建一个形状为(2,3,4)的张量，所有元素都为1
tf.fill((2,3,4), 5)#创建一个形状为(2,3,4)的张量，所有元素都为5

有的时候我们想要得到一个某个特定分布的随机采样来得到值，所以我们可以写这样的语句

1

tf.random.normal(shape=[3,4])

还可以提供包括数值的列表来为每一个数值提供确定的值，

1

tf.constant([[1,1,1],[1,1,1],[1,1,1]])

我们现在引入一些运算，这样我们就可以对张量进行操作了。对于具有相同形状的张量，我们引入

1

x + y, x - y, x * y, x / y ,x**y

这是按元素运算，我们还可以做更多的操作，比如一元操作符：

1

tf.exp(x)

这个是按元素求指数。

我们还可以将两个张量连接起来，使用tf.concat函数，这个函数需要两个参数，第一个是张量的列表，第二个是连接的维度。

1

tf.concat([x, y], axis=0)

我们有的时候会需要通过逻辑运算符构建二维张量，以X==Y为例，如果某个位置的元素相等，那么这个位置就为True，否则为False。

对所有元素求和，会得到一个单元素张量

1

tf.reduce_sum(x)

有时我们需要对一个张量的某个维度求和，可以使用axis参数来指定维度，比如tf.reduce_sum(x, axis=0)，这个会沿着第0个维度求和。

广播机制允许不同形状的张量进行运算，比如

1
2
3


x = tf.random.normal((4, 1))
y = tf.random.normal((1, 3))
z = x + y

这个会自动将x和y广播为(4,3)的形状，然后进行运算。

我们使用:来表示切片，比如x[1:3]表示第1到第2个元素，不包括第3个元素。

$\xi \zeta$