TensorFlow张量知识

TensorFlow张量

本文记录的是TensorFlow中的张量基础知识，包含：

张量类型
张量数据类型
张量创建

张量类型

维数	阶	名字	例子
0-D	0	标量scalar	s = 1,2,3
1-D	1	vector	v = [1,2,3]
2-D	2	matrix	m = [[1,2,3], [4,5,6]]
n-D	n	tensor	t = [[[ （有n个括号）

张量可以表示0-n阶的数组（列表）。判断张量是几阶，就看有几个[]

TensorFlow数据类型

tf.int, tf.float：tf.int32、tf.float32、tf.float64
tf.bool：tf.constant([True,False])
tf.string：tf.constant(“hello world!”)

创建张量Tensor

创建张量的一般方式：

1	tf.constant(张量内容, dtype=数据类型[可选])

直接生成

import tensorflow as tf
import numpy as np

a = tf.constant([1,2,3], dtype=tf.int64)
a

<tf.Tensor: shape=(3,), dtype=int64, numpy=array([1, 2, 3])>

a.dtype

tf.int64

a.shape

TensorShape([3])

1	print(a.shape)

(3,)

1 2	b = tf.constant([[1,2,3],[4,5,6]], dtype=tf.int64) b

<tf.Tensor: shape=(2, 3), dtype=int64, numpy=
array([[1, 2, 3],
       [4, 5, 6]])>

b.dtype

tf.int64

b.shape

TensorShape([2, 3])

1	print(b.shape)

(2, 3)

基于numpy数组

方式1：通过numpy数组来创建张量：

1 2	array = np.eye(4,3) array

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 0.]])

1 2	c = tf.constant(array, dtype=tf.int64) c

<tf.Tensor: shape=(4, 3), dtype=int64, numpy=
array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1],
       [0, 0, 0]])>

c.dtype

tf.int64

1	print(c.shape)

(4, 3)

方式2：将numpy的数据类型转换为Tensor数据类型

1	tf.convert_to_tensor(数据名,dtype=数据类型[可选])

arr1 = np.arange(5)

arr_to_tf = tf.convert_to_tensor(arr1, dtype=tf.int64)
arr_to_tf

<tf.Tensor: shape=(5,), dtype=int64, numpy=array([0, 1, 2, 3, 4])>

1	arr_to_tf.shape

TensorShape([5])

1	type(arr_to_tf)

tensorflow.python.framework.ops.EagerTensor

创建特殊张量

维度的记忆方式：

一维：直接写个数
二维：用[行, 列]表示
多维：用[n,m,j,k…]表示

全0张量

1	tf.zeros(3)

<tf.Tensor: shape=(3,), dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>

1	tf.zeros([2,5]) # 默认数据类型是float32

<tf.Tensor: shape=(2, 5), dtype=float32, numpy=
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]], dtype=float32)>

1	tf.zeros([4,3],dtype=tf.int64) # 指定类型

<tf.Tensor: shape=(4, 3), dtype=int64, numpy=
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])>

全1张量

1	tf.ones(3)

<tf.Tensor: shape=(3,), dtype=float32, numpy=array([1., 1., 1.], dtype=float32)>

1	tf.ones([3,5])

<tf.Tensor: shape=(3, 5), dtype=float32, numpy=
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]], dtype=float32)>

1	tf.ones([3,5],dtype=tf.int32)

<tf.Tensor: shape=(3, 5), dtype=int32, numpy=
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=int32)>

指定值的张量

1	tf.fill([2,3],8) # 指定shape和填充的数值

<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[8, 8, 8],
       [8, 8, 8]], dtype=int32)>

1	tf.fill([2,3],8) # 指定shape和填充的数值

<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[8, 8, 8],
       [8, 8, 8]], dtype=int32)>

1	tf.fill([2,3],5.5) # 填充浮点数

<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[5.5, 5.5, 5.5],
       [5.5, 5.5, 5.5]], dtype=float32)>

符合正态分布的张量

生成符合正态分布的随机数，默认均值是0，标准差是1

1	tf.random.normal(维度, mean=均值, stddev=标准差)

生成截断式正态分布的随机数

1	tf.random.truncated_normal(维度, mean=均值, stddev=标准差)

在tf.random.truncated_normal中如果随机数的取值在$(u-2\sigma, u+2\sigma)$之外，则重新生成，保证值在均值附近

$\u$：均值
$\sigma$：标准差

标准差计算公式：

$$\sigma=\sqrt\frac{\sum^{n}_{i=1}(x_i-\hat x)^2}{n} $$

1	tf.random.normal([2,2],mean=0.5,stddev=1)

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[1.4578526, 1.7715421],
       [0.7767614, 0.9287627]], dtype=float32)>

1	tf.random.truncated_normal([2,2],mean=0.5,stddev=1)

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0.58692557, 0.42861888],
       [1.0456834 , 0.16730729]], dtype=float32)>

生成均匀分布的张量

1	tf.random.uniform(维度,minval=最小值,maxval=最大值)

区间是前闭后开：[minval,maxval)

1	tf.random.uniform([3,3],minval=1,maxval=3)

<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[1.112915 , 2.621307 , 2.4389098],
       [1.9054191, 1.19591  , 2.1409607],
       [1.9407322, 1.2102165, 2.0343587]], dtype=float32)>