TensorFlow入门--张量的定义与基本运算

newbook3

于 2023-03-01 14:52:37 发布

阅读量840

点赞数

分类专栏：笔记深度学习框架-头歌实践教学平台文章标签： tensorflow python 深度学习人工智能

原文链接：https://www.educoder.net/tasks/qru3s2zlmxbh

版权

深度学习框架-头歌实践教学平台同时被 2 个专栏收录

7 篇文章 0 订阅

订阅专栏

笔记

4 篇文章 0 订阅

订阅专栏

本文介绍了TensorFlow中的核心概念，包括张量、计算图、变量、常量和占位符的使用。通过示例展示了如何创建和操作这些元素，以及如何通过Session运行计算图来获取张量的值。此外，还解释了Variable、constant和placeholder的区别，以及如何进行张量运算和变量赋值。

摘要由CSDN通过智能技术生成

第1关：生成张量 - Variable 、constant与placeholder方法

任务描述

本关任务：利用TensorFlow中的变量 (Variable类) 编写一个能计算表达式1+…+…+n的值的小程序 (n的值由TensorFlow中的常量constant类给出) 。

运行计算图

当我们需要获取张量的值时，需要先实例化一个tensorflow.Session对象（之后简称Session）。
我们可以调用Session.run(tensor)函数以获取tensor的值，如下：

import tensorflow as tf
a = tf.constant(3.0)
b = tf.constant(4.0)
total = a + b
sess = tf.Session()
print(sess.run(total))

其中最后一行会输出如下的值：

7.0

我们也可以使用字典传入多个参数以获取多个张量的值，如下：

import tensorflow as tf
a = tf.constant(3.0)
b = tf.constant(4.0)
total = a + b
sess = tf.Session()
print(sess.run({'ab':(a, b), 'total':total}))

其中最后一条语句会打印出以下结果：

{'total': 7.0, 'ab': (3.0, 4.0)}

不过在实例化Session之后，我们必须要先初始化需要用到的所有变量。最简单的办法是使用tensorflow.global_variables_initializer()函数，这个函数会返回一个初始化所有变量的操作，使用Session运行此操作可以初始化所有的变量，如：

import tensorflow as tf

省略变量声明

sess = tf.Session()
sess.run(tf.global_variables_initializer())

constant方法

虽然之前说过Tensor是TensorFlow中的基本运算单元，但在TensorFlow中，Tensor对象并没有值。在编程中使用的三种可以表示有值的Tensor的类型是，tf.Varibale，tf.constant以及tf.placeholder。他们可以看作特殊类型的张量。
他们之间的区别是，Variable在一次运行过程中可以改变值，而其他的张量均不能那么做。constant与placeholder的区别是，后者可以在运行时再确定值，而前者必须在构建图时就确定值。
constant方法的原型如下：

tf.constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

除了第一个参数value之外，其余的参数都是可选参数。
如之前所说的一样，张量值由numpy阵列表示，所以参数value的值可以为[1,2,3,4,5]，[[22,32]，[32,4]]等等。
dtype参数表明了数据类型。不指定这个参数时，会根据value来推断合适的类型。参见的数据类型有tf.float32，tf.int32等等。
其他3个参数暂时还不会用到，这里先跳过。
使用tf.constant声明张量很简单，只需要填入value值就好了，如下：

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

placeholder

placeholder和constant最大的区别是，placeholder可以等到开始运算时才被赋值，这使得计算多了很多灵活性。
placeholder的原型如下：

tf.placeholder(
    dtype,
    shape=None,
    name=None
)

dtype指明了数据类型，shape指明了之后将要被填入的值的形状，如果不指明这个参数的话，那么placeholder的形状将由之后传入的值决定。name是这个张量的名字。

placeholder在参与运算时必须通过Session.run方法中的feed_dict参数获得初值。

比如说：

import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)
with tf.Session() as sess:
  print(sess.run(y))  # 错误，因为x还没有获得初值。
  rand_array = np.random.rand(1024, 1024)
  print(sess.run(y, feed_dict={x: rand_array}))  # 正确的

Variable

变量是具有可变性和持久性的张量，可变性指的是变量的值在Session.run()的过程中可以被改变，持久性指的是变量值的变化在多个Session.run()之间是可见的。

创建变量的方法是像之前一样的，是用tf.Variable()函数，但是因为Varibale在TensorFlow中是个对象，所以这其实是个对象的初始化函数。
Varibale的初始化函数的参数比较多，所以这里直接看例子：

w=tf.Variable([1,2,3],dtype=float32,name=“myVariable”)
这将会创建一个类型为float32，值为[1,2,3]，名字为myVariable的变量。

获取张量的值
在Session对象已被实例化，且需要的变量都被初始化的之后。

可以通过Session.run()方法运行操作或变量的值。但如果参数只有一个的话，那么可以使用eval()方法会比较简便：

constant = tf.constant([1, 2, 3])
tensor = constant * constant
print(tensor.eval())

如上，会打印出

[1,2,3]

对应的，可以这样获取placeholder：

p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval()  # 错误！p没有初始化
t.eval(feed_dict={p:2.0})  # 正确！因为p被初始化了

值得注意的是，不只是张量的值，操作也可以使用eval()方法，如下：

v=tf.Varibale(1)
sess=tf.Session()
sess.run(tf.global_variables_initializer())
tf.assign_add(v,tf.constant(1)).eval()
print(v.eval())

以上代码会输出：

assign_add是TensorFlow中的运算函数，会将第一个参数和第二个参数的值相加后赋值给第一个参数。类似于C语言中的+=。

张量之间的运算

与之前所说的一样，TensorFlow分为两部分，一部分是构建图，另外一部分是计算图，这里所说的运算都是操作。也就是图中的点。
注意要让操作生效必须要使用Session.run()方法或者上一节提到的eval()方法。
张量之间的常见运算如下：
在这里插入图片描述

编程要求

根据提示，在右侧编辑器补全sum函数，参数 a 是 Variable，参数 b 是 constant，记 value 为 b 的值。
你需要计算从1+…+value的值，并将其结果存储在a节点中。
提示：

获取张量的值可以使用eval()方法。
对变量赋值需要使用tf.assign()系列函数，注意TensorFlow的操作都要在使用Session.run()或eval()方法后才会生效。
可以先获取参数b的值value，之后使用一个循环计算1+…+value的值，并将其结果使用tf.assign()函数存储在a节点中。

第1关：生成张量 - Variable 、constant与placeholder方法参考代码

# -*- coding: utf-8 -*-
import tensorflow as tf

# 参数 a 是 Variable, 参数 b 是 constant, 记 value 为 b 的值
# 计算从1+..+value的值, 并将其存储在a节点中
def sum(a,b):
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
    tf.assign(a, tf.constant(0)).eval()
    value = b.eval()
    for i in range(value):
        tf.assign_add(a,tf.constant(i)).eval()
    return a.eval() 
    # ********** End **********#

第2关：全0张量与全1张量的生成 - zeros方法和ones方法

参考代码：

# -*- coding: utf-8 -*-
import tensorflow as tf

# 输入参数 n 为一正整数 (大于1且小于100)
# 若 n 为偶数, 则返回形状为 [n+1,n-1] 的全0矩阵
# 若 n 为奇数, 则返回形状为 [n-1,n+1] 的全1矩阵
def getMatrix(n):
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    if n%2 == 0:
        return tf.zeros([n+1, n-1])
    else:
        return tf.ones([n-1, n+1])
    # ********** End **********#

第3关：生成带指定初值的张量 - fill方法

# -*- coding: utf-8 -*-
import tensorflow as tf

# 输入参数x为正整数,y为整数
# 需要生成一个所有元素初值均为y, 形状为x*x的矩阵
# 之后在将矩阵的对角线上的每个元素加1
# 然后若该矩阵有逆矩阵, 则返回该逆矩阵的行列式
# 否则返回0
def getMatrix(x,y):
    # 请在此添加代码 完成本关任务
    # ********** Begin *********#
    A = tf.fill([x, x], y)
    V1 = tf.ones([x])
    V2 = tf.diag(V1)
    #tf.linalg.det只能接受浮点或复数类型的张量为参数
    A = tf.cast(A, tf.float32)
    V2 = tf.cast(V2, tf.float32)
    B = tf.add(A, V2)
    
    if tf.linalg.det(B) != 0:
        return tf.linalg.det(tf.linalg.inv(B)).eval()
    else:
        return 0
    # ********** End **********#