AI-Tensorflow实验报告及相应课后习题

• Tensorflow实验报告相关代码

#### （1）第一个Tensorflow程序
import tensorflow as tf

print(tf.__version__)
a=tf.constant(2.0)
print(a)

#### （2）Tensorflow2.x切换为1.x版本运行模式

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()
a=tf.constant(2.4)
with tf.Session() as sess:
    print(sess.run(a))
    print(a)

#### (3)TensorFlow常量

import tensorflow as tf
#声明一个标题常量
t_1=tf.constant(2)
t_2=tf.constant(2)
#常量相加
t_add=tf.add(t_1,t_2)
#一个形如一行三列的常量向量可以用如下代码声明
t_3=tf.constant([4,3,2])
#定义一个形状为[M,N]的全0张量和全1张量
zero=tf.zeros(shape=[3,3])
ones=tf.ones(shape=[3,3])
print(t_add)

#### (4)TensorFlow变量

#直接赋值初始化
import tensorflow as tf
#直接给变量赋值初始化
bias1=tf.Variable(2)
#通过initial_value显示赋值初始化
bias2=tf.Variable(initial_value=3.)

bias1,bias2

#使用初始化函数初始化
import tensorflow as tf
a=tf.Variable(tf.zeros([2,1]))  #将形状为[2,1]张量初始化为0
b=tf.Variable(tf.zeros_like(a)) #返回一个和给定tensor同样shape的tensor,其中的元素全部置0
c=tf.Variable(tf.ones([2,1]))   #初始化为1
d=tf.Variable(tf.ones_like(a))  #将与a一个形状的张量初始化为1
e=tf.fill([2,3],4)              #将指定形状的张量初始化为指定数值
print(a,b,c,d,e)

#### (5)张量(tensor)的属性

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
tensor = tf.constant([[1.0,2.0],[3.0,4.0]])
print("Tensor = ",tensor)
array = tensor.eval(session=tf.Session())
print(array)

#### (6)Tensor的基础运算操作

import tensorflow as tf
print(tf.add(1,2))                                       #0维向量相加
print(tf.add([1,2],[3,4]))                               #一维向量相加
print(tf.matmul([[1,2,3]],[[4],[5],[6]]))                #矩阵相乘
print(tf.square(5))                                      #计算5的平方
print(tf.pow(2,3))                                       #计算2的3次方
print(tf.square(2)+tf.square(3))                         #也支持操作符重载
print(tf.reduce_sum([1,2,3]))                            #计算数值的和
print(tf.reduce_mean([1,2,3]))                           #计算均值

#### (7)Tensor的其他操作

import tensorflow as tf
print(tf.argmax([1,0,0,8,6]))           #返回数组内最大的索引，常用于处理one_hot向量

a=tf.constant([[1,2],[3,4],[5,6]])
b=tf.expand_dims(a,0)               #在tensor中增加一个维度，0表示需要添加维度的下标为0
c=tf.expand_dims(a,1)               #在tensor中增加一个维度，1表示需要添加的维度下标为1
print(a.shape,b.shape,c.shape)

x=[[1,2,3],[4,5,6],[7,8,9]]
y=[[2,3,4],[5,6,7],[8,9,10]]
z1=tf.concat([x,y],axis=0)          #按照维度0进行拼接
z2=tf.concat([x,y],axis=1)
print(z1)
print(z2)

a=tf.Variable([[[1,2,3],[1,2,3]],[[7,8,9],[10,11,12]]])
b=tf.reshape(a,[6,2])
print(a.numpy())
print(b.numpy())

• 代码运行结果

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

•  课后习题

 

#序贯式1
import tensorflow as tf

model = tf.keras.Sequential()
#创建一个全连接层，神经元个数为256，输入为784，激活函数为relu
model.add(tf.keras.layers.Dense(256, activation='relu', input_dim=784))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

#序贯式2
import tensorflow as tf

imput_layer = tf.keras.layers.Input(shape=(784,))
hid1_layer = tf.keras.layers.Dense(256, activation='relu')
hid2_layer = tf.keras.layers.Dense(128, activation='relu')
output_layers = tf.keras.layers.Dense(10, activation='softmax') #将层的列表传给Sequential的构造函数
model = tf.keras.Sequential(layers=[imput_layer, hid1_layer, hid2_layer, output_layers])

import tensorflow as tf
#创建一个模型，包含一个输入层和三个全连接层
inputs = tf.keras.layers.Input(shape=(4))
x=tf.keras.layers.Dense(32,activation='relu')(inputs)
x=tf.keras.layers.Dense(64,activation='relu')(x)
outputs=tf.keras.layers.Dense(3,activation='softmax')(x)
model=tf.keras.Model(inputs=inputs,outputs =outputs)

import torch
data=torch.rand(5,3)
print(data)