TensorFlow2.0入门到进阶3.2 —— 基础数据类型API之常量（constant）

1、张量

有没有小伙伴和我一样，TensorFlow中tensor是什么意思？张量，那张量又是什么意思？

TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.

张量的阶
在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶.

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素.而对于三阶张量你可以用’t[i, j, k]'来访问其中的任何元素.

2、常量（constant）

在tensorflow中，数据分为几种类型: 常量Constant、变量Variable、占位符Placeholder。其中：

• 常量：用于存储一些不变的数值，在计算图创建的时候，调用初始化方法时，直接保存在计算图中
• 变量：模型训练的参数，在每次迭代之后会变化，比如全连接里面的W和bias
• 占位符：就是模型每次训练时的样本，当计算图固定时，只需要替换占位符里面的内容，就可以重新计算了。

constant（恒定，在应用中该类型的变量通常是只读，不可修改的）张量。

3、实践代码

引入相关库函数：

import matplotlib as mpl
import matplotlib.pyplot as plt
#为了在jupyter notebook中画图
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras:
    print(module.__name__,module.__version__)

3.1创建常量

• 创建常量，并打印全部或部分数据：

#常量
t = tf.constant([[1.,2.,3.],[4.,5.,6.]])

#index
print(t)
print(t[:,1:])
print(t[:,1])
print(t[...,1])

结果：

tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[2. 3.]
 [5. 6.]], shape=(2, 2), dtype=float32)
tf.Tensor([2. 5.], shape=(2,), dtype=float32)
tf.Tensor([2. 5.], shape=(2,), dtype=float32)

3.2 常量基本计算

#op
#这里t可以直接被打印，在tf1.x中是不可以的
# 所有元素加1
print(t+10)
# 所有元素平方
print(tf.square(t))
#t矩阵乘自己的转置
print(t @ tf.transpose(t))

结果：

tf.Tensor(
[[11. 12. 13.]
 [14. 15. 16.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[ 1.  4.  9.]
 [16. 25. 36.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[14. 32.]
 [32. 77.]], shape=(2, 2), dtype=float32)

3.3 和numpy之间的转换

# numpy conversion
print(t.numpy())
print(np.square(t))
np_t = np.array([[1.,2.,3.],[4.,5.,6.]])
print(tf.constant(np_t))
np_t = np.array(t)
print(tf.constant(np_t))

print(np.array(t))

结果：

[[1. 2. 3.]
 [4. 5. 6.]]
[[ 1.  4.  9.]
 [16. 25. 36.]]
tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float64)
tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float32)
[[1. 2. 3.]
 [4. 5. 6.]]

3.4 0维度

# Scalars :标量,0维
t=tf.constant(2.456)
print(t.numpy())
print(t.shape)

结果：

2.456
()