1.张量与操作

张量

创建张量

import tensorflow as tf
print('版本=',tf.__version__)         # 2.0.0
print('判断gpu是否可以使用:',tf.test.is_gpu_available())        # True# 张量# Rank 0-定义0阶的张量
# tf.string表示数据类型
mammal = tf.Variable('Elephant',tf.string)
tf.print(tf.rank(mammal))
tf.print(tf.shape(mammal))
# 0
# []# Rank 1
mystr = tf.Variable(['Hello'],tf.string)
tf.print(tf.rank(mystr))
tf.print(tf.shape(mystr))# 1
# [1]# Rank 2
mymat = tf.Variable([[7],[11]],tf.int16)
tf.print(tf.rank(mymat))
tf.print(tf.shape(mymat))# 2
# [2 1]

numpy 和 tensorflow中的张量对比

张量的操作

tf.strings(常用于推荐算法场景、NLP场景)		# 数据进行分割
tf.debugging
tf.dtypes		# 函数输出
tf.math			# 数学的加减乘除等
tf.random		# 随机初始化一个初始化函数，自定义层经常用到，神经网络必备
tf.feature_column	# 常用于结构化数据操作-诸如将诶构化数据封箱，交叉-数据挖掘或者推荐算法经常能用到

print与tf.print()的区别

2.常用层

推荐：
tf.keras.layers
# 循环神经网络
tf.keras.layers.LSTM(100)
# 全连接层
tf.keras.layers.Dense(10)
# l1正则
tf.keras.layers.Dense(64,kernel_regularizer = tf.keras.regularizers.l1(0.01))tf.nn
# sotmax激活函数
tf.nn.softmax(b)
# relu激活函数
tf.keras.layers.Dense(64,activation = tf.nn.relu)总结：
tf.nn:底层的函数库，其他各种库可以说都是基于这个底层库来进行扩展的tf.keraas.layers:如果说tf.nn是轮子，那么tf.keras.layers可以说是汽车。tf.keras.layers是
tf.nn的高度封装

3.三种建模方式

- Sequential model(顺序模型)- Functional model（函数模型）- Subclassing model (子类化模型)

1）第一种方式：顺序模型

tf.keras.Model.fit (用于模型训练)epochs：训练分为几个时期。每一个epoch是对整个输入数据的一次迭代（此操作以较小的批次完成）。batch_size：当传递NumPy数据时，模型将数据切成较小的批次，并在训练期间对这些批次进行迭代。
该整数指定每个批次的大小。请注意，如果不能将样本总数除以批次大小，则最后一批可能会更小。validation_data：在模型训练时，监控在某些验证数据上监视其性能。传递此参数（输入和标签的元组）
可以使模型在每个时期结束时以推断模式显示所传递数据的损失和度量。

2)第二种：函数模型

##  Functional model
# 推荐开始学习函数式模型
函数式模型是一种创建模型的方法，该模型比tf.keras.Sequential更灵活。函数式模型可以处理具有
非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型等等深度学习模型通常是层的有向无环图（DAG）的主要思想。因此，函数式模型是一种构建层图的方法。训练模型和tf.keras.Sequential一样
tf.keras.Model.fit (用于模型训练)epochs：训练分为几个时期。每一个epoch是对整个输入数据的一次迭代（此操作以较小的批次完成）。
batch_size：当传递NumPy数据时，模型将数据切成较小的批次，并在训练期间对这些批次进行迭代。
该整数指定每个批次的大小。请注意，如果不能将样本总数除以批次大小，则最后一批可能会更小。
validation_data：在模型训练时，监控在某些验证数据上监视其性能。传递此参数（输入和标签的元组）
可以使模型在每个时期结束时以推断模式显示所传递数据的损失和度量。

多个输入

多个输出

3）模型子类化

子类模型-Subclassing model- 通过子类化tf.keras.Model 和定义自己的前向传播模型来构建完全可定制的模型- 和eager execution 模式相辅相成

4）三种构建模型的区别