tensorflow2.0数学运算验证笔记
加法
# 加法
a = tf.Variable(initial_value=tf.random.truncated_normal(shape=(400, 400, 3), seed=1.0))
b = tf.Variable(initial_value=tf.random.truncated_normal(shape=(400, 400, 3), seed=1.0))
c = a + b # 形状相同的加法是每个元素对应相加
d = c + 1 # 这样子进行加法的话，是每个元素都进行加1
print(c)
print(d)
减法
import tensorflow as tf
a = tf.Variable(initial_value=tf.random.truncated_normal(shape=(400, 400, 3), seed=1.0))
b = tf.Variable(initial_value=tf.random.truncated_normal(shape=(400, 400, 3), seed=1.0))
c = a - b # 形状相同的减法是每个元素对应相减，注意这样需要形状相同
d = c - 1 # 这样子进行减法的话，是每个元素都进行减1
print(c)
print(d)
乘法
import tensorflow as tf
a = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
b = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
c = a * b # 形状相同的乘法是每个元素对应相乘，注意这样需要形状相同
d = c * 2 # 这样子进行相乘的话，是每个元素都乘与2
print(c)
print(d)
除法
import tensorflow as tf
a = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
b = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
c = a / b # 形状相同的除法是每个元素对应，注意这样需要形状相同
d = c / 2 # 这样子进行除法的话，是每个元素都除于2
print(c)
print(d)
平方和开方
import tensorflow as tf
a = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
b = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
c = a ** 2 # 平方，将tensor张量里面的元素逐一进行平方生成另外一个张量
d = a ** (0.5) # 开方，将tensor张量里面的元素逐一进行开方生成另外一个张量，要求数据大于0，如果小于0则用nan代替
e = tf.sqrt(a, name="e") # 这个函数相当于a ** (0.5)
print(c)
取余
import tensorflow as tf
a = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
b = tf.Variable(initial_value=tf.random.truncated_normal(shape=(4, 4, 3), seed=1.0, dtype=tf.float32))
d = a % b # 取余数操作，对应位置的元素取余数
c = a % 2 # 取余数操作，每个元素都进行取余操作
print(c)
实现mse
import tensorflow as tf
y_true = tf.Variable(initial_value=tf.random.truncated_normal(shape=(32, 1470), seed=1.0, dtype=tf.float32))
y_pred = tf.Variable(initial_value=tf.random.truncated_normal(shape=(32, 1470), seed=1.0, dtype=tf.float32))
c = y_pred - y_true
c2 = c ** 2
# d = tf.reduce_sum(input_tensor=c2, axis=0)
mse = tf.reduce_mean(input_tensor=c2, axis=1)
# mse的形状是（32， ）
# 实现的公式如下图所示
pass
补充一两个累加和求多个数平均的函数，通过这些函数，我们就可以实现大多数损失函数了
import tensorflow as tf
y_true = tf.Variable(initial_value=tf.random.truncated_normal(shape=(32, 1470), seed=1.0, dtype=tf.float32))
y_pred = tf.Variable(initial_value=tf.random.truncated_normal(shape=(32, 1470), seed=1.0, dtype=tf.float32))
c = y_pred - y_true
c2 = c ** 2
d = tf.reduce_sum(input_tensor=c2, axis=0) # 表示在第0维度上面进行累加和
e = tf.reduce_sum(input_tensor=c2, axis=1) # 表示在第1维度上面进行累加和
f = tf.reduce_mean(input_tensor=c2, axis=0) # 表示在第0维度上面进行求平均
g = tf.reduce_mean(input_tensor=c2, axis=1) # 表示在第1维度上面进行求平均
"""
各种求回归和偏差的常用底层函数就到这里结束了
"""
pass