TensorFlow学习笔记--第三节张量（tensor）及其定义方法

在TensorFlow中，所有的数据通过张量的形式来表示

1张量及属性：

可理解为一个 n 维数组，所有类型的数据，包括标量、矢量和矩阵等都是特殊类型的张量，张量并没有真正保存数字，它保存的是计算过程

张量(tensor)的属性——维数(阶)、形状和数据类型

Tensor("name", shape=(), dtype=int32)

1.1维数（阶）

张量的维数来被描述为阶，是张量维数的一个数量描述。

阶数	数学实例
0阶	标量
1阶	1 维数组（向量）
2阶	2维数组（矩阵，数据表）
3阶	3维数组（数据立体）

1.2 形状

三个术语描述张量的维度：阶（rank）、形状（shape）、维数（dimension number）
n(n>0)阶张量构成元素是n-1阶张量

阶	形状	维数	例子
0	()	0-D	4
1	(D0)	1-D	[1,2]
2	(D0,D1)	2-D	[[1,2],[2,3]]
3	(D0,D1,D2)	3-D	[[[1,2],[3,4]],[[1,2],[3,4]]]
n	(D0,D1,…Dn-1)	n-D	…

1.3数据类型

TensorFlow支持14种不同类型

实数：tf.float32, tf.float64
整数：tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8
布尔：tf.bool
复数：tf.complex64, tf.complet128

不带小数点的数会被默认为int32
带小数点的数会被默认为float32

TensorFlow 支持以下三种类型的张量：

1.常量

常量是其值不能改变的张量。。

a=tf.constant([[1],[2]],name='a')#常量

2.变量

当一个量在会话中的值需要更新时，使用变量来表示。变量在使用前需要被显示初始化。例如，在神经网络中，权重需要在训练期间更新，可以通过将权重声明为变量来实现。
与传统编程语言不同，TensorFlow中的变量定义后，一般无需人工赋值，系统会根据算法模型，训练优化过程中自动调整变量对应的数值。在机器学习模型训练时更能体会，比如权重Weight变量w，经过多次迭代，会自动调整其值。

在TensorFlow中必须进行初始化操作

创建语句：
name_varible = tf.Variable(value, name)
注意：V是大写的

个别变量初始化：init_op = name_variable.initializer()
所有变量初始化：init_op = tf.global_variables_initializer()

def tensor_test():
    a=tf.Variable([1,2,3],name='a')
    b=tf.Variable([4,5,6],name='b')
    s=tf.add(a,b,name='SUM')

    with tf.Session() as sess:
        #所有变量初始化
        init = tf.global_variables_initializer()
        sess.run(init)# 初始化完成
        # 单个变量初始化
        # sess.run(a.initializer)
        # sess.run(b.initializer)
        print(sess.run(s))

只有init = tf.global_variables_initializer()一句并未实现变量初始化，它只是定义了一个静态的操作节点，必须利用会话的run()函数去执行这个操作，才能真正实现变量的初始化操作

amount = tf.Variable(0, name='amount', trainable=False)

如果希望自己定义的变量不参加训练，那么需要在定义变量时将参数trainable设置为False。

update_op = tf.assign(variable, new_value)

特殊情况下需要人工更新的，可用变量赋值语句：

3.占位符：

TensorFlow中的Variable变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入。
需要注意的是，占位符不包含任何数据，因此不需要初始化它们。
在会话中，占位符可以使用 feed_dict 馈送数据。feed_dict是一个字典，在字典中需要给出每一个用到的占位符的取值。
例如在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点。
如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时，placeholder占用的变量必须通过feed_dict参数传递进去，否则会报错。

使用 tf.placeholder() 创建占位符 ，在 session.run() 过程中再投递数据

占位符定义格式

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

注意：使用feed_dict设置tensor的时候，需要你给出的值类型与占位符定义的类型相同

举例

def PlaceHolder_test():
    a=tf.placeholder(tf.int32,shape=(3,),name='a')
    b=tf.placeholder('int32',shape=(3,),name='b')

    add_op=tf.add(a,b,name='ADD')
    mul_op=tf.multiply(a,b,name='MUL')
    sub_op=tf.subtract(a,b,name='sub')

    with tf.Session() as sess:
        print(sess.run([add_op,mul_op,sub_op],feed_dict={a:[3,2,4],b:[1,2,3]}))
    with tf.summary.FileWriter('./log',sess.graph) as writer:
        writer.flush()

运行结果：[array([4, 4, 7]), array([ 3, 4, 12]), array([2, 0, 1])]

张量定义方法举例

张量阶次及对应形状（shape）

操作实例1：输出1-10

def variable_test():#变量赋值输出1-10 
    value=tf.Variable(0,name='value')
    one=tf.constant(1,name='one')
    new_value=tf.add(value,one,name='new_value')
    update_op=tf.assign(value,new_value)

    init = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(init)
        for _ in range(10):
            #for _ in range(n) 一般仅仅用于循环n次，
            # 不用设置变量，用 _ 指代临时变量，只在这个语句中使用一次
            sess.run(update_op)
            print(value.eval(),end=' ')
    with tf.summary.FileWriter('./log',sess.graph) as writer:
        writer.flush()

运行结果：1 2 3 4 5 6 7 8 9 10

操作实例2：计算1-100累计和

def Iteration_test():#1-100的累加和
    value=tf.Variable(0,name='value')
    # one=tf.constant(1,name='one')
    # new_value=tf.add(value,one)
    # update_op=tf.assign(value,new_value,name='update_op')
    update_op=tf.assign(value,tf.add(value,1),name='update_op')

    Sum=tf.Variable(0,name='sum')
    SUM_OP=tf.assign(Sum,tf.add(Sum,value))

    init = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(init)
        for _ in range(100):
            sess.run(update_op)
            sess.run(SUM_OP)
        print(Sum.eval())
        
    with tf.summary.FileWriter('./log',sess.graph) as writer:
        writer.flush()

上述程序计算流程分为两部分：
第一部分：迭代求取新值
第二部分：在迭代过程进行累加和 (sum=sum+new_value)

运行结果：5050

传送门：

TensorFlow学习笔记01：TensorFlow入门
TensorFlow教程：TensorFlow快速入门教程（非常详细）