tensor数据类型探索

In [35]: a=tf.zeros([2,3],tf.float32)
In [36]: a
Out[36]: <tf.Tensor 'zeros:0' shape=(2, 3) dtype=float32>
In [37]: sess=tf.InteractiveSession()
In [38]: a.eval()
Out[38]: 
array([[0., 0., 0.],
       [0., 0., 0.]], dtype=float32)
In [39]: b=tf.ones([2,3],tf.float32)
In [40]: b.eval()
Out[40]: 
array([[1., 1., 1.],
       [1., 1., 1.]], dtype=float32)
In [41]: c=tf.slice(a,[0,0],[1,1])
In [42]: c
Out[42]: <tf.Tensor 'Slice:0' shape=(1, 1) dtype=float32>
In [43]: c.eval()
Out[43]: array([[0.]], dtype=float32)  # 1x1的tensor=>1x1的array
In [44]: d=a[0][0]                     # scalar的tensor=>单个数
In [45]: d.eval()
Out[45]: 0.0
In [14]: b=tf.reduce_sum(a)
In [15]: b
Out[15]: <tf.Tensor 'Sum:0' shape=() dtype=float32>
In [16]: b.eval()
Out[16]: 6.0

In [7]: a=tf.ones([2,3,4])
In [8]: a
In [9]: c=tf.slice(a,[0,0,0],[1,1,1])
In [10]: c
Out[10]: <tf.Tensor 'Slice:0' shape=(1, 1, 1) dtype=float32>
In [11]: d=a[0][0][0]
In [15]: d
Out[15]: <tf.Tensor 'strided_slice_2:0' shape=() dtype=float32>
In [12]: e=c-d
In [13]: sess=tf.InteractiveSession()
In [14]: e.eval()
Out[14]: array([[[0.]]], dtype=float32)

In [16]: a.eval()
Out[16]: 
array([[[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]],

       [[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]], dtype=float32)

In [17]: ac=a-c
In [18]: ac.eval()
Out[18]: 
array([[[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]],

       [[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]]], dtype=float32)
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值