二零二三年 优质公开课TensorFlowAPI简介.pptx

1.1 机学习概览欢迎进入《数据科学与机器学习》课程学习 第4单元 机器学习与神经网络TensorFLow深度学习库 TensorFLow深度学习库 安装TensorFlow 202 TensorFlow的基本概念01 TensorFlow API简介03 TensorFlow/Keras的使用步骤04 TensorFlow API简介Tensor 之间的运算规则： 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting)Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素Note：TensorFlow 在进行数学运算时，一定要求各个?Tensor 数据类型一致 TensorFlow API简介常用操作符和基本数学函数如：tf.add(x, y, name=None) # 加法(支持 broadcasting) tf.subtract(x, y, name=None) # 减法 tf.multiply(x, y, name=None) # 乘法 tf.divide(x, y, name=None) # 浮点除法, 返回浮点数(python3 除法) tf.mod(x, y, name=None) # 取余 TensorFlow API简介矩阵数学函数# 矩阵乘法(tensors of rank = 2) tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None) # 转置，可以通过指定 perm=[1, 0] 来进行轴变换 tf.transpose(a, perm=None, name=transpose)# 在张量 a 的最后两个维度上进行转置 tf.matrix_transpose(a, name=matrix_transpose) # 求矩阵的迹 tf.trace(x, name=None)# 计算方阵行列式的值 tf.matrix_determinant(input, name=None)# 求解可逆方阵的逆，input 必须为浮点型或复数 tf.matrix_inverse(input, adjoint=None, name=None) TensorFlow API简介Reduction（降维）# 计算指定的轴所有元素的均值/最大值/最小值/积/逻辑与/或(just like reduce_sum) tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None) tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None) tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None) tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None) tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None) # 全部满足条件 tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None) #至少有一个满足条件 TensorFlow API简介损失函数loss回归问题： tf.losses.mean_squared_error：均方根误差（MSE） tf.losses.absolute_difference：平均绝对误差（MAE） TensorFlow API简介损失函数loss回归问题： tf.losses.huber_loss：Huber loss —— 集合 MSE 和 MAE 的优点，但是需要手动调超参数 Thank You！《数据科学与机器学习》课程组