【Tensorflow基础（一）】

• 1

• 2

创建 3 个元素的向量：

# 创建 3 个元素的向量 a = tf.constant([1,2, 3.]) a, a.shape

• 1

• 2

• 3

(<tf.Tensor: id=3, shape=(3,), dtype=float32, numpy=array([1., 2., 3.], dtype=float32)>, TensorShape([3]))

• 1

• 2

定义矩阵

# 创建 2 行 2 列的矩阵 a = tf.constant([[1,2],[3,4]]) a, a.shape

• 1

• 2

• 3

(<tf.Tensor: id=4, shape=(2, 2), dtype=int32, numpy= array([[1, 2], [3, 4]])>, TensorShape([2, 2]))

• 1

• 2

• 3

三维张量可以定义为：

# 创建 3 维张量 tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]])

• 1

• 2

<tf.Tensor: id=5, shape=(2, 2, 2), dtype=int32, numpy= array([[[1, 2], [3, 4]],

[[5, 6],

[7, 8]]])>

• 1

• 2

• 3

• 4

• 5

• 6

通过传入字符串对象即可创建字符串类型的张量

# 创建字符串 a = tf.constant('Hello, Deep Learning.') a

• 1

• 2

• 3

<tf.Tensor: id=6, shape=(), dtype=string, numpy=b'Hello, Deep Learning.'>

• 1

1.2 字符串类型

通过传入字符串对象即可创建字符串类型的张量

# 创建字符串 a = tf.constant('Hello, Deep Learning.') a

• 1

• 2

• 3

<tf.Tensor: id=7, shape=(), dtype=string, numpy=b'Hello, Deep Learning.'>

• 1

在 tf.strings 模块中，提供了常见的字符串类型的工具函数，如小写化 lower()、 拼接

join()、 长度 length()、 切分 split()等。

# 小写化字符串 tf.strings.lower(a)

• 1

• 2

<tf.Tensor: id=8, shape=(), dtype=string, numpy=b'hello, deep learning.'>

• 1

1.3 布尔类型

布尔类型的张量只需要传入 Python 语言的布尔类型数据，转换成 TensorFlow 内部布尔型即可。

# 创建布尔类型标量 tf.constant(True)

• 1

• 2

<tf.Tensor: id=9, shape=(), dtype=bool, numpy=True>

• 1

创建布尔类型的向量

# 创建布尔类型向量 tf.constant([True, False])

• 1

• 2

<tf.Tensor: id=10, shape=(2,), dtype=bool, numpy=array([ True, False])>

• 1

需要注意的是， TensorFlow 的布尔类型和 Python 语言的布尔类型并不等价，不能通用

# 创建 TF 布尔张量 a = tf.constant(True) # TF 布尔类型张量与 python 布尔类型比较 print(a is True) # 仅数值比较 print(a == True)

• 1

• 2

• 3

• 4

• 5

• 6

False tf.Tensor(True, shape=(), dtype=bool)

• 1

• 2

2.数值精度

---

对于数值类型的张量，可以保持为不同字节长度的精度，如浮点数 3.14 既可以保存为

16-bit 长度，也可以保存为 32-bit 甚至 64-bit 的精度。Bit 位越长，精度越高，同时占用的内存空间也就越大。常用的精度类型有 tf.int16, tf.int32, tf.int64, tf.float16, tf.float32, tf.float64，其中 tf.float64 即为 tf.double。

在创建张量时，可以指定张量的保存精度

# 创建指定精度的张量 tf.constant(123456789, dtype=tf.int16)

• 1

• 2

<tf.Tensor: id=14, shape=(), dtype=int16, numpy=-13035>

• 1

对于浮点数， 高精度的张量可以表示更精准的数据，例如采用 tf.float32 精度保存π时，实际保存的数据为 3.1415927

import numpy as np # 从 numpy 中导入 pi 常量 np.pi # 32 位 tf.constant(np.pi, dtype=tf.float32)

• 1

• 2

• 3

• 4

• 5

<tf.Tensor: id=16, shape=(), dtype=float32, numpy=3.1415927>

• 1

如果采用 tf.float64 精度保存π，则能获得更高的精度

tf.constant(np.pi, dtype=tf.float64) # 64 位

• 1

<tf.Tensor: id=17, shape=(), dtype=float64, numpy=3.141592653589793>

• 1

2.1 读取精度

通过访问张量的 dtype 成员属性可以判断张量的保存精度

a = tf.constant(np.pi, dtype=tf.float16)

# 读取原有张量的数值精度

print(‘before:’,a.dtype)

# 如果精度不符合要求，则进行转换

if a.dtype != tf.float32:

# tf.cast 函数可以完成精度转换

a = tf.cast(a,tf.float32)

# 打印转换后的精度

print(‘after :’,a.dtype)

• 1

• 2

• 3

• 4

• 5

• 6

• 7

• 8

• 9

• 10

before: <dtype: 'float16'> after : <dtype: 'float32'>

• 1

• 2

2.2 类型转换

系统的每个模块使用的数据类型、 数值精度可能各不相同， 对于不符合要求的张量的类型及精度， 需要通过 tf.cast 函数进行转换

# 创建 tf.float16 低精度张量 a = tf.constant(np.pi, dtype=tf.float16) # 转换为高精度张量 tf.cast(a, tf.double)

• 1

• 2

• 3

• 4

<tf.Tensor: id=21, shape=(), dtype=float64, numpy=3.140625>

• 1

进行类型转换时，需要保证转换操作的合法性， 例如将高精度的张量转换为低精度的张量时，可能发生数据溢出隐患：

a = tf.constant(123456789, dtype=tf.int32) # 转换为低精度整型 tf.cast(a, tf.int16)

• 1

• 2

• 3

<tf.Tensor: id=23, shape=(), dtype=int16, numpy=-13035>

• 1

布尔类型与整型之间相互转换也是合法的， 是比较常见的操作

a = tf.constant([True, False]) # 布尔类型转整型 tf.cast(a, tf.int32)

• 1

• 2

• 3

<tf.Tensor: id=25, shape=(2,), dtype=int32, numpy=array([1, 0])>

• 1

一般默认 0 表示 False， 1 表示 True，在 TensorFlow 中，将非 0 数字都视为 True，

a = tf.constant([-1, 0, 1, 2]) # 整型转布尔类型 tf.cast(a, tf.bool)

• 1

• 2

• 3

<tf.Tensor: id=27, shape=(4,), dtype=bool, numpy=array([ True, False, True, True])>

• 1

3.待优化张量

---

为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量，TensorFlow 增加了一种专门的数据类型来支持梯度信息的记录：tf.Variable。tf.Variable 类型在普通的张量类型基础上添加了 name，trainable 等属性来支持计算图的构建。由于梯度运算会消耗大量的计算资源，而且会自动更新相关参数，对于不需要的优化的张量，如神经网络的输入 X，不需要通过 tf.Variable 封装；相反，对于需要计算梯度并优化的张量，如神经网络层的W 和𝒃，需要通过 tf.Variable 包裹以便 TensorFlow 跟踪相关梯度信息。

通过 tf.Variable()函数可以将普通张量转换为待优化张量：

# 创建 TF 张量 a = tf.constant([-1, 0, 1, 2]) # 转换为 Variable 类型 aa = tf.Variable(a) # Variable 类型张量的属性, 名字， 是否求导数 aa.name, aa.trainable

• 1

• 2

• 3

• 4

• 5

• 6

('Variable:0', True)

• 1

name 属性用于命名计算图中的变量，这套命名体系是 TensorFlow 内部维护的， 一般不需要用户关注 name 属性；

trainable属性表征当前张量是否需要被优化，创建 Variable 对象时是默认启用优化标志，可以设置trainable=False 来设置张量不需要优化。

# 直接创建 Variable 张量 tf.Variable([[1,2],[3,4]])

• 1

• 2

<tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy= array([[1, 2], [3, 4]])>

• 1

• 2

• 3

4.创建张量

---

4.1 从数组、列表对象创建

通过 tf.convert_to_tensor 函数可以创建新 Tensor，并将保存在 Python List 对象或者Numpy Array 对象中的数据导入到新 Tensor 中。

# 从列表创建张量 tf.convert_to_tensor([1,2.])

• 1

• 2

<tf.Tensor: id=44, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

• 1

# 从数组中创建张量 tf.convert_to_tensor(np.array([[1,2.],[3,4]]))

• 1

• 2

<tf.Tensor: id=45, shape=(2, 2), dtype=float64, numpy= array([[1., 2.], [3., 4.]])>

• 1

• 2

• 3

4.2 创建全0或全1张量

创建全 0 的矩阵

# 创建全 0 矩阵，指定 shape 为 2 行 2 列 tf.zeros([2,2])

• 1

• 2

<tf.Tensor: id=56, shape=(2, 2), dtype=float32, numpy= array([[0., 0.], [0., 0.]], dtype=float32)>

• 1

• 2

• 3

创建全 1 的矩阵

# 创建全 1 矩阵，指定 shape 为 3 行 2 列 tf.ones([3,2])

• 1

• 2

<tf.Tensor: id=59, shape=(3, 2), dtype=float32, numpy= array([[1., 1.], [1., 1.], [1., 1.]], dtype=float32)>

• 1

• 2

• 3

• 4

通过 tf.zeros_like, tf.ones_like 可以方便地新建与某个张量 shape 一致， 且内容为全 0 或全 1 的张量。

# 创建一个矩阵 a = tf.ones([2,3]) # 创建一个与 a 形状相同，但是全 0 的新矩阵 tf.zeros_like(a)

• 1

• 2

• 3

• 4

总结一下

面试前要精心做好准备，简历上写的知识点和原理都需要准备好，项目上多想想难点和亮点，这是面试时能和别人不一样的地方。

还有就是表现出自己的谦虚好学，以及对于未来持续进阶的规划，企业招人更偏爱稳定的人。

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

万事开头难，但是程序员这一条路坚持几年后发展空间还是非常大的，一切重在坚持。

为了帮助大家更好更高效的准备面试，特别整理了《前端工程师面试手册》电子稿文件。

前端面试题汇总

JavaScript

性能

linux

前端资料汇总

前端工程师岗位缺口一直很大，符合岗位要求的人越来越少，所以学习前端的小伙伴要注意了，一定要把技能学到扎实，做有含金量的项目，这样在找工作的时候无论遇到什么情况，问题都不会大。