TensorFlow之张量

TensorFlow之张量 1 张量(Tensor)  【类似于numpy中的数组】

TensorFlow 的张量就是一个 n 维数组， 类型为tf.Tensor。Tensor具有以下两个重要的属性

• type:数据类型
• shape:形状(阶)

1.1 张量的类型

1.2 张量的阶

形状有0阶、1阶、2阶….

tensor1 = tf.constant(4.0)
tensor2 = tf.constant([1, 2, 3, 4])
linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

print(tensor1.shape)
# 0维：()   1维：(10, )   2维：(3, 4)   3维：(3, 4, 5)

1.3 创建张量的指令

• 固定值张量

示例代码：

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf

zeros = tf.zeros([3, 5])
print(zeros)
print('#' * 50)

zeros_like = tf.zeros_like(zeros)
print(zeros_like)
print('#' * 50)

one = tf.ones([3, 4])
print(one)
print('#' * 50)

ones_like = tf.ones_like(zeros)
print(ones_like)
print('#' * 50)

• 随机值张量

• 其它特殊的创建张量的op
  • tf.Variable
  • tf.placeholder

1.4 张量的变换 1.4.1 类型改变

示例代码：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf


one = tf.ones([3, 4])
print(one)
print('#' * 50)

cast_one = tf.cast(one, tf.int32)
print(cast_one)

1.4.2 形状改变

TensorFlow的张量具有两种形状变换，动态形状和静态形状

• tf.reshape
• tf.set_shape

关于动态形状和静态形状必须符合以下规则

• 静态形状
  • 转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状
  • 对于已经固定的张量的静态形状的张量，不能再次设置静态形状
• 动态形状
  • tf.reshape()动态创建新张量时，张量的元素个数必须匹配

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()


def tensor_demo():
    """
    张量的介绍
    :return:
    """
    a = tf.constant(value=30.0, dtype=tf.float32, name="a")
    b = tf.constant([[1, 2], [3, 4]], dtype=tf.int32, name="b")
    a2 = tf.constant(value=30.0, dtype=tf.float32, name="a2")
    c = tf.placeholder(dtype=tf.float32, shape=[2, 3, 4], name="c")
    sum = tf.add(a, a2, name="my_add")
    print(a, a2, b, c)
    print(sum)
    # 获取张量属性
    print("a的图属性：\n", a.graph)
    print("b的名字：\n", b.name)
    print("a2的形状：\n", a2.shape)
    print("c的数据类型：\n", c.dtype)
    print("sum的op:\n", sum.op)

    # 获取静态形状
    print("b的静态形状：\n", b.get_shape())

    # 定义占位符
    a_p = tf.placeholder(dtype=tf.float32, shape=[None, None])
    b_p = tf.placeholder(dtype=tf.float32, shape=[None, 10])
    c_p = tf.placeholder(dtype=tf.float32, shape=[3, 2])
    # 获取静态形状
    print("a_p的静态形状为：\n", a_p.get_shape())
    print("b_p的静态形状为：\n", b_p.get_shape())
    print("c_p的静态形状为：\n", c_p.get_shape())

    # 形状更新
    # a_p.set_shape([2, 3])
    # 静态形状已经固定部分就不能修改了
    # b_p.set_shape([10, 3])
    # c_p.set_shape([2, 3])

    # 静态形状已经固定的部分包括它的阶数，如果阶数固定了，就不能跨阶更新形状
    # 如果想要跨阶改变形状，就要用动态形状
    # a_p.set_shape([1, 2, 3])
    # 获取静态形状
    print("a_p的静态形状为：\n", a_p.get_shape())
    print("b_p的静态形状为：\n", b_p.get_shape())
    print("c_p的静态形状为：\n", c_p.get_shape())

    # 动态形状
    # c_p_r = tf.reshape(c_p, [1, 2, 3])
    c_p_r = tf.reshape(c_p, [2, 3])
    # 动态形状，改变的时候，不能改变元素的总个数
    # c_p_r2 = tf.reshape(c_p, [3, 1])
    print("动态形状的结果：\n", c_p_r)
    # print("动态形状的结果2：\n", c_p_r2)
    return None


if __name__ == '__main__':
    tensor_demo()

运行结果：

Tensor("a:0", shape=(), dtype=float32) Tensor("a2:0", shape=(), dtype=float32) Tensor("b:0", shape=(2, 2), dtype=int32) Tensor("c:0", shape=(2, 3, 4), dtype=float32)
Tensor("my_add:0", shape=(), dtype=float32)
a的图属性：
 
b的名字：
 b:0
a2的形状：
 ()
c的数据类型：
 
sum的op:
 name: "my_add"
op: "Add"
input: "a"
input: "a2"
attr {
  key: "T"
  value {
    type: DT_FLOAT
  }
}

b的静态形状：
 (2, 2)
a_p的静态形状为：
 (?, ?)
b_p的静态形状为：
 (?, 10)
c_p的静态形状为：
 (3, 2)
a_p的静态形状为：
 (?, ?)
b_p的静态形状为：
 (?, 10)
c_p的静态形状为：
 (3, 2)
动态形状的结果：
 Tensor("Reshape:0", shape=(2, 3), dtype=float32)

1.5 张量的数学运算

• 算术运算符
• 基本数学函数
• 矩阵运算
• reduce操作
• 序列索引操作

详细请参考: https://www.tensorflow.org/versions/r1.8/api_guides/python/math_ops

这些API使用，具体参考文档