前言
以下内容中使用环境为 tensorflow 2.3.0
且
import tensorflow as tf
1. 张量
1.1 创建
tf.constant(张量)
例子：
x=tf.constant([[2，3]，[1，5]])
print(x)
输出：
1.2 操作（张量，shape(形状),dtype(数据类型)）
由上图输出图中可以清楚看到其数据中包含三个元素：张量，shape(形状),dtype(数据类型)，而调用这些数据的处理方式：
| 数据 | 导出方式 |
|---|---|
| 张量 | .numpy() |
| shape | .shape |
| dtype | .dtype |
例子：
#续上文
#x=tf.constant([[2，3]，[1，5]])
x.numpy()
print('dtype:',x.dtype)
print('shape:',x.shape)
输出：
1.3 其他的特殊创建（全0，全1，随机）
1.3.1 全0，全1创建
tf.one(shape=(...)) 创建一个大小为...的全1张量
tf.zero(shape=(...)) 创建一个大小为...的全0张量
例子：
print(tf.ones(shape=(2, 1)))
print(tf.zeros(shape=(2, 1)))
1.3.2 随机生成（正态分布，均匀分布）
1.3.2.1 正态分布
tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。
参数：
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
shape: 输出张量的形状，必选
mean: 正态分布的均值，默认为0
stddev: 正态分布的标准差，默认为1.0
dtype: 输出的类型，默认为tf.float32
seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名称
例子：
输出：
1.3.2.2 均匀分布
random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)
shape：一维整数张量或python数组输出张量形状
minval：dtype类型的0-D张量或python值；生成的随机值范围的下限，默认为0
maxval：dtype类型的0-D张量或python值；生成的随机值范围的上限，如果dtype为float，默认为1
dtype：输出的类型：float16,float32,float64,int32,int64
seed:seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名称
例子：
输出：
2. 变量
变量是用于存储可变状态（如神经网络权重）的特殊张量。
2.1 创建
变量的创建是基于张量上的，Variable（）这个构造函数需要初始值，这个初始值可以是一个任何类型任何形状的Tensor，初始值的形状和类型决定了这个变量的形状和类型。构造之后，这个变量的形状和类型就固定了。
“”
函数：tf.Variable(常量名称)
例子：
initial_value = tf.random.normal(shape=(2, 2))
a = tf.Variable(initial_value)
print(a)
输出：
2.2 操作（赋值，加法，减法）
| 函数 | 作用 |
|---|---|
| assign(value, use_locking=False) | 为变量指定一个新的值 |
| assign_add(delta, use_locking=False) | 为这个变量加上一个值 |
| assign_sub(delta, use_locking=False) | 为这个变量减去一个值 |
| read_value() | 返回这个变量的值，在当前的上下文中读取。返回的是一个含有这个值的Tensor |
| set_shape(shape) | 改变变量形状 |
new_value = tf.random.normal(shape=(2, 2))
a.assign(new_value)
#---------------------------------------------
# The values above are the same as those below
#---------------------------------------------
for i in range(2):
for j in range(2):
assert a[i, j] == new_value[i, j]
added_value = tf.random.normal(shape=(2, 2))
a.assign_add(added_value)
#---------------------------------------------
# The values above are the same as those below
#---------------------------------------------
for i in range(2):
for j in range(2):
assert a[i, j] == new_value[i, j] + added_value[i, j]
3. 在TensorFlow中进行数学运算
3.1 简单的加减，开方，e的幂
a = tf.random.normal(shape=(2, 2))
b = tf.random.normal(shape=(2, 2))
c = a + b
d = tf.square(c)
e = tf.exp(d)
print(a)
print(b)
print(c)
print(d)
print(e)
输出：
3.2 计算梯度 GradientTape
可参考：TensorFlow学习（四）：梯度带(GradientTape)，优化器(Optimizer)和损失函数(losses)