一个简单记录，后续慢慢补充。。。。。

一、函数

# 类似一个tensorflow操作
@tf.function
def add(a, b):return a+b   # 即使传入数字，函数运算也是python基本运算，发返回值的类型也会变成tensor。print(add(1,2))  
# tf.Tensor(3, shape=(), dtype=int32)print(add(tf.ones([2,2]), tf.ones([2,2])))  # 快速矩阵计算
# tf.Tensor(
# [[2. 2.]
#  [2. 2.]], shape=(2, 2), dtype=float32)

二、梯度

# 可以计算梯度
v = tf.Variable(2.0) 
with tf.GradientTape() as tape:res = add(v, 1.0)
tape.gradient(res, v)

三、for循环

@tf.function   # 可以使用if, for, while break, continue, return 
def f(x):      # 传入python标量或列表时会建立一个新的图（传入参数大小不同，建的图也不同）。要避免这种情况就将数字作为参数传入ta = tf.TensorArray(dtype=tf.int32, size=0, dynamic_size=True)for i in range(len(x)):      # for循环必须这样写，不然只能执行一次ta = ta.write(i, x[i] + 1)return ta.stack()f(tf.constant([1, 2, 3]))

四、追踪

def train_one_step():pass@tf.function
def train(num_steps):print("追踪： num_steps = {}".format(num_steps))for _ in tf.range(num_steps):train_one_step()# Python参数发生变化，那么必须回溯图。
train(num_steps=10)
train(num_steps=20)
# 追踪： num_steps = 10
# 追踪： num_steps = 20# 使用tensor，同类型不会重复追踪
train(num_steps=tf.constant(10))
train(num_steps=tf.constant(20))
# 追踪： num_steps = Tensor("num_steps:0", shape=(), dtype=int32)# 使用tensor，类型不同才会有新的追踪，（前一个单元格已追踪int型，所以该处不追踪）
train(num_steps=tf.constant(10, dtype=tf.int32))
train(num_steps=tf.constant(20.6))
# 追踪： num_steps = Tensor("num_steps:0", shape=(), dtype=float32)

五、调试

@tf.function
def f(x):print("追踪：", x)     # 使用Python副作用来调试跟踪。tf.print('执行：', x)  # tf.Variable.assign，tf.print和tf.summary是确保TensorFlow运行时，在每次调用时跟踪和执行代码的最佳方法。f(1)
f(1)
f(2)# 追踪： 1
# 执行： 1
# 执行： 1
# 执行： 2
# 追踪： 2