Tensorflow 深度学习
2020年2月18日20:41:32
Tensor
几何代数中定义的张量是基于向量和矩阵的推广,通俗一点理解的话,我们可以将标量视为零阶张量,矢量视为一阶张量,那么矩阵就是二阶张量。
三阶张量 shape(m,n,k),可以理解为k个大小为(m,n)的二阶张量(想像二维图片)的叠加。可以用RGB彩色图像举例。
将这一定义进行扩展,我们也可以用四阶张量表示一个包含多张图片的数据集,其中的四个维度分别是:图片在数据集中的编号,图片高度、宽度,以及色彩数据。
文章:float32和float64的本质区别
tf.contant()
tf.constant(
value,
dtype=None,
shape=None,
name='Const',
verify_shape=False
)
- 第一个值value是必须的,可以是一个数值,也可以是一个列表。为查看结果必须创建一个会话,并用取值函数eval()来查看创建的tensor的值:
- 第二个参数表示数据类型,一般可以是tf.float32, tf.float64等:
- 第三个参数表示张量的“形状”,即维数以及每一维的大小。
- 第四个参数name可以是任何内容,只要是字符串就行。 默认为Const
- 第五个参数verify_shape默认为False,如果修改为True的话表示检查value的形状与shape是否相符,如果不符会报错。
- 后面四个参数可写可不写。
tf.reduce_mean()
tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴(tensor的某一维度)上的的平均值,主要用作降维或者计算tensor(图像)的平均值。
reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
- 第一个参数input_tensor: 输入待降维的tensor;
- 第二个参数axis: 指定的轴,如果不指定,则计算所有元素的均值;
- 第三个参数keep_dims:是否降维度,设置为True,输出的结果保持输入tensor的形状,设置为False,输出结果会降低维度;
- 第四个参数name: 操作的名称;
- 第五个参数 reduction_indices:在以前版本中用来指定轴,已弃用;
以一个维度是2,形状是[2,3]的tensor举例:
import tensorflow as tf
x = [[1,2,3],
[1,2,3]]
xx = tf.cast(x,tf.float32)
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
with tf.Session() as sess:
m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
print m_a # output: 2.0
print m_0 # output: [ 1. 2. 3.]
print m_1 #output: [ 2. 2.]
输出都是一维或者标量
如果设置保持原来的张量的维度,keep_dims=True ,结果:
print m_a # output: [[ 2.]]
print m_0 # output: [[ 1. 2. 3.]]
print m_1 #output: [[ 2.], [ 2.]]
注意这时(keep_dims=True)输出的张量的表示,axis=0‘多行变一行’,axis=1‘多列变一列’。
类似函数还有:
- tf.reduce_sum :计算tensor指定轴方向上的所有元素的累加和;
- tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
- tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和(and运算);
- tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或(or运算);
tf.cast(x, dtype, name=None)
x:输入
dtype:转换目标类型
name:名称
返回:Tensor
此函数是类型转换函数,将x的数据格式转化成dtype