[python] 深度学习基础------人工神经网络实现鸢尾花分类(三)

不念不忘少年蓝@ 2023-10-06 20:21 71阅读 0赞

> [人工神经网络实现鸢尾花分类(一)][Link 1]
> 
> [人工神经网络实现鸢尾花分类(二)][Link 2]
> 
> [人工神经网络实现鸢尾花分类(三)][Link 3]
> 
> [人工神经网络实现鸢尾花分类(四)][Link 4]
> 
> [人工神经网络实现鸢尾花分类(五)][Link 5]

**目录**

张量相关知识

简介

Tensorflow张量的数据类型

如何创建一个Tensor（张量）

constant（）

将numpy的数据类型转换为Tensor数据类型

创建特殊张量

创建符合正态分布的张量

创建均匀分布的张量

下篇文章讲解相关函数知识

--------------------

## 张量相关知识 ##

### 简介 ###

**张量（Tensor）：多维数组（列表）**

**阶：张量的维数**

**张量可以表示0阶到n阶数组（列表）如图：**

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAX1Bvd2VyU2hlbGw_size_20_color_FFFFFF_t_70_g_se_x_16][]  
0阶张量叫做标量 表示的是一个单独的数 如123。Tensorflow中的Tensor就是张量，是多维数组（列表）。阶表示张量的维数。

1阶张量叫做向量 表示的是一个一维数组 比如列表\[1，2，3\]

2阶张量叫做矩阵  表示二维数组 可以有i行j列个元素 每个元素可用行号列号索引找到 如矩阵m

判断张量是几阶的就看有几个\[\] 可以有n阶

张量可以表示0阶到n阶的数组

### Tensorflow**的数据类型** ###

Tensorf low的数据类型有32位整型，32位浮点、64位浮点，布尔型 字符串型等等

### **如何创建一个Tensor（张量）** ###

#### constant（） ####

tf.constant(张量内容，dtype=数据类型(可选))

我们可以使用constant（）创建一个张量

第一个参数指定这个张量的内容

第二个参数指定这个张量的数据类型

**举例：**

import tensorflow as tf  
    a=tf.constant([1,5],dtype=tf.int64)  
    print(a)
    print(a.dtype)  
    print(a.shape)
    
    运行结果：
    <tf.Tensor([1,5], shape=(2 , ) , dtype=int64)
    <dtype: 'int64'>  (2,)

这个例子是创建一个一阶张量 里面有两个元素 指定数据类型是64为整型赋值给a

打印出a 打印出a的数据类型 打印出a的形状

**运行结果：**

直接打印a会输出张量的所有信息

包括张量的内容、 张量的形状和张量的数据类型

**张量的形状看shape的逗号隔开了几个数字  逗号隔开了几个数字 这个张量就是几维的**

在这个例子中隔开了一个数字 说明是以为张量  这个数字是2说明张量里有两个元素

也就是这里的数值1 和  5

#### **将numpy的数据类型转换为Tensor数据类型** ####

tf. convert_to_tensor(数据名，dtype=数据类型((可选))

很多时候数据是由numpy格式给出

我们可以使用convert to tensor ()把它变成Tensor格式

**b = tf.convert\_to\_tensor( a, dtype=tf.int64 )**

这条语句就把numpy格式a变成了Tensor格式b

**举例：**

import tensorflow as tf  
    import numpy as np
    a = np.arange(0,5)
    b = tf.convert_to_tensor(a,dtype=tf.int64)  
    print(a)
    print(b)
    
    运行结果：
    [0 1 2 3 4]
    tf.Tensor([0 1 2 3 4], shape=( 5 , ), dtype=int64)

#### 创建特殊张量 ####

**创建全为0的张量****tf.** **zeros(维度)**

**创建全为1的张量****tf.** **ones(维度)**

**创建全为指定值的张量****tf.** **fill(维度，指定值）****指定值****)**

同样我们可以用zeros ()创建全为0的张量

如：tf. zeros(\[2, 3\])创建了一个二维张量

一维：直接写数字

二维：【行列】

多维度：方括号里写每个维度的元素个数 中间用逗号隔开

**举例：**

a = tf.zeros([2, 3])  
    b = tf.ones(4)
    c = tf.fill([2, 2], 9)  
    print(a)
    print(b)  
    print(c)
    
    运行结果：
    tf.Tensor([[0. 0. 0.] [0. 0. 0.]], shape=(2, 3), dtype=float32)
    tf.Tensor([1. 1. 1. 1.], shape=(4, ), dtype=float32)
    tf.Tensor([[9 9] [9 9]], shape=(2, 2), dtype=int32)

如上代码：创建了一个 两行三列 的 全0 的 二维张量a

创建了一个 一行四列 的 全1 的 一维张量b

创建了一个 二行二列 的 全9 的 一维张量b

#### 创建符合正态分布的张量 ####

**生成正态分布的随机数，默认均值为0，标准差为1**

在编写代码时：我们常常随机生成初始化参数  要符合正态分布

可用函数 **random.normal** 生成指定维度的符合正太分部的张量

tf. random.normal (维度，mean=均值，stddev=标准差)

**集中**

有时候我们希望生成的随机数更集中一些

所以可以使用 **random. truncated\_normal ()** 函数

tf. random.truncated_normal (维度，mean=均值，stddev=标准差)

在tf.truncated\_normal中如果随机生成数据的取值在（μ-2σ，μ+2σ）之外 则重新进行生成，保证了生成值在均值附近。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAX1Bvd2VyU2hlbGw_size_13_color_FFFFFF_t_70_g_se_x_16][]

这个函数可以保证生成的随机数在u士2σ（均值正负两倍标准差）之内

**举例：**

d = tf.random.normal ([2, 2], mean=0.5, stddev=1)  print(d)
    
    e = tf.random.truncated_normal ([2, 2], mean=0.5, stddev=1)  print(e)
    
    运行结果：
    tf.Tensor(
    [[0.7925745 0.643315 ]
    [1.4752257 0.2533372]], shape=(2, 2), dtype=float32)
    
    tf.Tensor(
    [[ 1.3688478	1.0125661 ]
    [ 0.17475659 -0.02224463]], shape=(2, 2), dtype=float32)
    
    元素都在两倍标准差之内，数据更向均值0.5集中

**比如random. normal ()生成两行两列的张量**

里面的元素符合以0.5为均值1为标准差的分布

**用random. Truncated\_mormal ()生成两行两列的张量**

里面的元素符合以0.5为均值  1为标准差的随机数

(数据会更向0.5集中) 生成的随机数在u士2σ（均值正负两倍标准差）之内

#### **创建均匀分布的张量** ####

**生成均匀分布随机数 ( minval, maxval** **)**

tf. random. uniform(维度，minval=最小值，maxval=最大值)

可以用random. uni form生成指定维度的均匀分布随机数

用minvalue给定随机数的最小值

用maxvalue给定随机数的最大值  注意：前闭后开区间

如这个例子就生成了两行两列的张量

其中的每个元素都符合在0和1之间的平均分布

**举例：**

f = tf.random.uniform([2, 2], minval=0, maxval=1)  print(f)
    
    运行结果：
    tf.Tensor(
    [[0.28219545 0.15581512]
    [0.77972126 0.47817433]], shape=(2, 2), dtype=float32)

### 下篇文章讲解相关函数知识 ###

[Link 1]: https://blog.csdn.net/qq_51577576/article/details/121511309?spm=1001.2014.3001.5501
[Link 2]: https://blog.csdn.net/qq_51577576/article/details/121533481?spm=1001.2014.3001.5501
[Link 3]: https://blog.csdn.net/qq_51577576/article/details/121537864?spm=1001.2014.3001.5501
[Link 4]: https://blog.csdn.net/qq_51577576/article/details/121541336?spm=1001.2014.3001.5501
[Link 5]: https://blog.csdn.net/qq_51577576/article/details/121543972?spm=1001.2014.3001.5501
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAX1Bvd2VyU2hlbGw_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/e9551152573146ca95448c95a6cf572c.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAX1Bvd2VyU2hlbGw=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAX1Bvd2VyU2hlbGw_size_13_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/20187360cc7445208a6703d569ddbc4c.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAX1Bvd2VyU2hlbGw=,size_13,color_FFFFFF,t_70,g_se,x_16