TensorFlow 是一个强大的开源库，主要用于数值计算和机器学习任务，尤其在深度学习领域应用广泛。以下是对 TensorFlow 的一些核心概念和常用操作的详细总结：
1. 创建张量：
- `tf.constant()`：用于创建具有固定值的张量，可以指定数据类型，例如 `tf.constant([1, 2, 3], dtype=tf.int32)` 创建一个包含整数的张量。
- `tf.convert_to_tensor()`：将其他类型的数据（如 numpy 数组）转换为 TensorFlow 张量，`tf.convert_to_tensor(np.array([1, 2, 3]))`。
2. 随机数生成：
- `tf.random.normal()`：生成符合正态分布的随机数，默认均值为 0，标准差为 1，如 `tf.random.normal([2, 3])` 会生成一个 2x3 的张量。
- `tf.random.truncated_normal()`：生成截断式正态分布的随机数，避免生成远离均值的极端值。
- `tf.random.uniform()`：生成指定范围内的均匀分布随机数，例如 `tf.random.uniform([4, 5], minval=0, maxval=1)` 生成一个 4x5 的张量，每个元素在 [0, 1) 区间内。
3. 张量操作：
- `tf.cast()`：将张量转换为指定的数据类型，如 `tf.cast(tf.constant([1.5, 2.6]), tf.int32)` 把浮点数转为整数。
- `tf.reduce_min()` 和 `tf.reduce_max()`：分别计算张量在指定维度上的最小值和最大值，例如 `tf.reduce_min(tf.constant([[1, 2], [3, 4]]))` 返回 1。
- `tf.reduce_mean()` 和 `tf.reduce_sum()`：计算张量在指定维度上的平均值和总和。
4. 张量轴的理解：
- 在二维张量中，`axis=0` 操作跨行，`axis=1` 操作跨列。例如，`tf.reduce_max(x, axis=0)` 沿行求最大值，`tf.reduce_max(x, axis=1)` 沿列求最大值。
5. 变量与数据处理：
- `tf.Variable()`：用于创建可训练的变量，例如 `tf.Variable(tf.random.normal([2, 3]))` 创建一个随机的 2x3 变量。
- `tf.data.Dataset.from_tensor_slices()`：构建数据集，可以从 numpy 数组或张量中读取数据，如 `(features, labels) = tf.data.Dataset.from_tensor_slices((feature_array, label_array))`。
6. 求梯度：
- 使用 `tf.GradientTape()` 来记录计算过程，然后通过 `tape.gradient()` 求解张量的梯度，例如：
```python
with tf.GradientTape() as tape:
y = x**2
grad = tape.gradient(y, x)
```
7. 循环与遍历：
- Python 中的 `enumerate()` 函数可以用来遍历序列，同时提供索引和元素，例如：
```python
for i, item in enumerate(['apple', 'banana', 'cherry']):
print(f"Index {i}: {item}")
```
8. 独热编码：
- `tf.one_hot()` 用于将分类标签进行独热编码，例如 `tf.one_hot([0, 2], depth=3)` 将 [0, 2] 编码为 [[1., 0., 0.], [0., 0., 1.]]。
9. 条件选择：
- `tf.where()` 类似于三目运算符，根据条件返回不同值的张量，例如 `tf.where(tf.equal(x, 0), y, z)` 当 `x` 等于 0 时返回 `y`，否则返回 `z`。
10. 随机数生成扩展：
- `np.random.RandomState.rand()` 生成 [0, 1) 之间的随机数，例如 `np.random.RandomState().rand(2, 3)` 生成一个 2x3 的随机数矩阵。
- `np.vstack()` 可以将多个数组沿着垂直方向堆叠，如 `np.vstack((arr1, arr2))`。
以上是 TensorFlow 的基本操作和概念，它们构成了构建和训练深度学习模型的基础。掌握这些知识将有助于理解和实现复杂的神经网络架构。
