python和TensorFlow中一些常用小知识

1.format格式化输出

看看找个小例子是格式化输出+正则表达式赋值的

t=["11点{}分".format(i) for i in range(60)]
print(t)

['11点0分', '11点1分', '11点2分', '11点3分', '11点4分', '11点5分', '11点6分', '11点7分', '11点8分', '11点9分', '11点10分', '11点11分', '11点12分', '11点13分', '11点14分', '11点15分', '11点16分', '11点17分', '11点18分', '11点19分', '11点20分', '11点21分', '11点22分', '11点23分', '11点24分', '11点25分', '11点26分', '11点27分', '11点28分', '11点29分', '11点30分', '11点31分', '11点32分', '11点33分', '11点34分', '11点35分', '11点36分', '11点37分', '11点38分', '11点39分', '11点40分', '11点41分', '11点42分', '11点43分', '11点44分', '11点45分', '11点46分', '11点47分', '11点48分', '11点49分', '11点50分', '11点51分', '11点52分', '11点53分', '11点54分', '11点55分', '11点56分', '11点57分', '11点58分', '11点59分']

构造的就是这样的

2.pandas中的时间序列

3.pandas把字符串转化为时间序列

pd.to_datetime()

然后你看这个就转化成了DatetimeIndex类型，这个类型有个好处的，直接date.month就可以返回对应的月份，直接date.weekday就可以直接返回对应的星期

4 with---as 的用法

我们先看这段代码：

file = open("/tmp/foo.txt")
try:
  data = file.read()
finally:
  file.close()

然后用with----as表示就是：

with open("/tmp/foo.txt") as file:
  data = file.read()

5 tf.random.shuffle()打散函数

tf.random.shuffle(idx)
这个就是原本idx中的数组打散，从新分配位置

例如：

6 tf.data.Dataset.from_tensor_slices()和batch()

1.tf.data.Dataset.from_tensor_slices()
该函数的作用是接收tensor，对tensor的第一维度进行切分，并返回一个表示该tensor的切片数据集

import tensorflow as tf
t = tf.range(10.)[:, None]
t = tf.data.Dataset.from_tensor_slices(t)
#<TensorSliceDataset shapes: (1,), types: tf.float32>
for i in t:
    print(i.numpy())
 
# [0.]
# [1.]
# [2.]
# [3.]
# [4.]
# [5.]
# [6.]
# [7.]
# [8.]
# [9.]

2.batch()
这个类似于一个分组函数t.batch(3)，就是把三个分成一组,在进行数据处理时通常于上面一个连用

import tensorflow as tf
t = tf.range(10.)[:, None]
t = tf.data.Dataset.from_tensor_slices(t)
#<TensorSliceDataset shapes: (1,), types: tf.float32>
for i in t:
    print(i.numpy())
#[0.]
#[1.]
#[2.]
#[3.]
#[4.]
#[5.]
#[6.]
#[7.]
#[8.]
#[9.]

batch_t = t.batch(2)
#<BatchDataset shapes: (None, 1), types: tf.float32>
for i in batch_t:
    print(i.numpy())
>>>
[[0.]
 [1.]]
[[2.]
 [3.]]
[[4.]
 [5.]]
[[6.]
 [7.]]
[[8.]
 [9.]]

这两个函数通常连着用于数据处理：

dataset=tf.data.Dataset.from_tensor_slices([[1, 2], [3, 4],[5 , 6],[7 , 8]]).batch(2)
train_iter=iter(dataset)
sample=next(train_iter)
sample[0].shape,sample[1].shape
=>>(TensorShape([2]), TensorShape([2]))
for i in sample:
    print(sample[0],sample[1])
=>tf.Tensor([1 2], shape=(2,), dtype=int32) tf.Tensor([3 4], shape=(2,), dtype=int32)
=>tf.Tensor([1 2], shape=(2,), dtype=int32) tf.Tensor([3 4], shape=(2,), dtype=int32)

例如：

如果我们想访问的话可以这样：

dataset=tf.data.Dataset.from_tensor_slices([[1, 2], [3, 4],[5 , 6],[7 , 8]]).batch(2)
for i in dataset:
    i=tf.reshape(i,[4])
    print(i)

=>tf.Tensor([1 2 3 4], shape=(4,), dtype=int32)
=>tf.Tensor([5 6 7 8], shape=(4,), dtype=int32)

7 one_hot

这里

y_onehot = tf.one_hot(y, depth)
这里depth是分成几类

例如

y_onehot = tf.one_hot([0,1,2], depth=3)
y_onehot

8 求导函数,tf.Variable和assign_sub()

我们在调用TensorFlow中的求导函数的时候
我们首先先用这个：

#定义：如果后面我们要跟踪w1,b1的梯度的话，我们首先要定义成Variable()类型
w1 = tf.Variable()
w2 = tf.Variable()
---
b3= tf.Variable()

with tf.GradientTape() as tape: # tf.Variable
	#定义你的函数表达式
	loss=------
grads = tape.gradient(loss, [w1, b1, w2, b2, w3, b3])
#在这里我们必须要把w1,b1,---b3定义成Variable要不然求的导数为空
#这里如果我们想保持w1，b1,w2,b2--的Variable的类型，我们需要用到assign_sub
#等价于w1=w1-lr*grads[0]
w1.assign_sub(lr * grads[0])
b1.assign_sub(lr * grads[1])
w2.assign_sub(lr * grads[2])
b2.assign_sub(lr * grads[3])
w3.assign_sub(lr * grads[4])
b3.assign_sub(lr * grads[5])

assign_sub函数常用于参数的自更新，等待更新的w，要先被指定为可更新可训练，也就是variable类型，才可以实现自更新

例如这个：

import  os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import  matplotlib
from 	matplotlib import pyplot as plt
# Default parameters for plots
matplotlib.rcParams['font.size'] = 20
matplotlib.rcParams['figure.titlesize'] = 20
matplotlib.rcParams['figure.figsize'] = [9, 7]
matplotlib.rcParams['font.family'] = ['STKaiTi']
matplotlib.rcParams['axes.unicode_minus']=False 

import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import datasets


# x: [60k, 28, 28],
# y: [60k]
(x, y), _ = datasets.mnist.load_data()
# x: [0~255] => [0~1.]
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)

print(x.shape, y.shape, x.dtype, y.dtype)
print(tf.reduce_min(x), tf.reduce_max(x))
print(tf.reduce_min(y), tf.reduce_max(y))


train_db = tf.data.Dataset.from_tensor_slices((x,y)).batch(128)
train_iter = iter(train_db)
sample = next(train_iter)
print('batch:', sample[0].shape, sample[1].shape)


# [b, 784] => [b, 256] => [b, 128] => [b, 10]
# [dim_in, dim_out], [dim_out]
#这里要定义成Variable ，因为后面求偏导数的时候要跟踪他的梯度
w1 = tf.Variable(tf.random.truncated_normal([784, 256], stddev=0.1))
b1 = tf.Variable(tf.zeros([256]))
w2 = tf.Variable(tf.random.truncated_normal([256, 128], stddev=0.1))
b2 = tf.Variable(tf.zeros([128]))
w3 = tf.Variable(tf.random.truncated_normal([128, 10], stddev=0.1))
b3 = tf.Variable(tf.zeros([10]))

lr = 1e-3

losses = []

for epoch in range(20): # iterate db for 10
    for step, (x, y) in enumerate(train_db): # for every batch
        # x:[128, 28, 28]
        # y: [128]

        # [b, 28, 28] => [b, 28*28]
        x = tf.reshape(x, [-1, 28*28])

        with tf.GradientTape() as tape: # tf.Variable
            # x: [b, 28*28]
            # h1 = x@w1 + b1
            # [b, 784]@[784, 256] + [256] => [b, 256] + [256] => [b, 256] + [b, 256]
            h1 = x@w1 + tf.broadcast_to(b1, [x.shape[0], 256])
            h1 = tf.nn.relu(h1)
            # [b, 256] => [b, 128]
            h2 = h1@w2 + b2
            h2 = tf.nn.relu(h2)
            # [b, 128] => [b, 10]
            out = h2@w3 + b3

            # compute loss
            # out: [b, 10]
            # y: [b] => [b, 10]
            y_onehot = tf.one_hot(y, depth=10)

            # mse = mean(sum(y-out)^2)
            # [b, 10]
            loss = tf.square(y_onehot - out)
            # mean: scalar
            loss = tf.reduce_mean(loss)

        # compute gradients
        grads = tape.gradient(loss, [w1, b1, w2, b2, w3, b3])
        # print(grads)
        # w1 = w1 - lr * w1_grad
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])
        w2.assign_sub(lr * grads[2])
        b2.assign_sub(lr * grads[3])
        w3.assign_sub(lr * grads[4])
        b3.assign_sub(lr * grads[5])


        if step % 100 == 0:
            print(epoch, step, 'loss:', float(loss))

    losses.append(float(loss))

plt.figure()
plt.plot(losses, color='C0', marker='s', label='训练')
plt.xlabel('Epoch')
plt.legend()
plt.ylabel('MSE')
plt.savefig('forward.svg')
# plt.show()

9 a[:2]==a[:2,:]

10 layers.Sequential不能用

今天下载了一个代码，运行的时候发现这个layers.Sequential报错
可能是不能用了

替换方法，变成了

keras.Sequential
就可以了

或者
from tensorflow.keras import Sequential
直接调用Sequential