TensorFlow基本概念之张量

张量:Tensor

在TensorFlow中，张量是数据流图上的数据载体，tensorflow中的tensor就是张量的意思，使用张量统一表示所有数据。
张量可以看做是0阶标量，1阶向量和2阶矩阵在高维空间的推广。
张量与常见数据实体的关系如图所示：

阶数	数据实体	python样例
0	标量	scalar = 1
1	向量	vector =[1,2,3]
2	矩阵	matirx=[[1,2],[3,4]]
3	数据立方	tensor=[[[1,2],[3,4]],[[5,6],[7,8]]]
n	n阶张量	…

1.打印hello world

import tensorflow as tf
hello = tf.constant("hello world")
sess = tf.Session()
print(sess.run(hello))

2.张量支持的数据类型

张量支持多种数据类型，除了浮点数、整数、字符串、布尔等类型外，还支持复数和量化整数类型，主要的数据类型如下:

TensorFlow数据类型	说明
tf.float16	半精度浮点数
tf.float32	单精度浮点数
tf.float64	双精度浮点数
tf.bfloat16	裁短浮点数
tf.int8	8位有符号整数
tf.int16	16位有符号整数
tf.int32	32位有符号整数
tf.int64	64位有符号整数
tf.uint	8位无符号整数
tf.uint16	16位无符号整数
tf.string	字符串
tf.bool	布尔值
tf.complex64	单精度复数
tf.complex128	双精度复数
tf.qint8	量化的8位有符号整数
tf.qint16	量化的16位有符号整数
tf.qint32	量化的32位有符号整数
tf.quint	量化的8位无符号整数
tf.quint16	量化的16位无符号整数

3.创建张量

a = tf.constant(1.0)
print(a)

输出结果

<tf.Tensor 'Const_2:0' shape=() dtype=float32>

shape=() 表示是标量

d = tf.constant([1.0,2.0])
print(d)

Tensor("Const_5:0", shape=(2,), dtype=float32)

shape=(2,)说明张量是一维数组，并且长度为2

d = tf.constant([[1.0,2.0],[3.0,4.0]])
print(d)

Tensor("Const_7:0", shape=(2, 2), dtype=float32)

shape=(2, 2)说明是二维矩阵，并且行数和列数都为2

d = tf.constant([[[1.0,2.0],[3.0,4.0]],[[5.0,6.0],[7.0,8.0]]])
print(d)

Tensor("Const_9:0", shape=(2, 2, 2), dtype=float32)

shape=(2, 2, 2)说明是三维向量，第一个2可以当做是块数，第二个2是行数，第三个2是列数，也就是有两块两行两列的矩阵
张量的属性

属性名称	功能说明
dtype	张量的数据类型
name	张量在数据流图中的名称
graph	张量所属的数据流图
op	生成该张量的前置操作
shape	张量传输数据的形状
value_index	张量在前置操作所有输出值的索引

4.计算张量

a = tf.constant(1.0)
b = tf.constant(2.0)
c = tf.add(a,b)
with tf.Session() as sess:
    print(c.eval())
    print(sess.run([a,b,c]))
    print(c.get_shape())

3.0
[1.0, 2.0, 3.0]
()

张量的成员方法

方法名	功能说明
eval	取出张量的值
get_shape	获取张量的形状
set_shape	修改张量的形状
consumers	获取张量的后置操作

a = tf.constant([1,1])
b = tf.constant([2,3])
c = tf.add(a,b)
with tf.Session() as sess:
    print(a[0].eval(),a[1].eval())
    print(c.name)
    print(c.eval())
    print(c.shape)
    print(a.consumers())
    print(c.op)

1 1
Add_1:0
[3 4]
(2,)
[<tf.Operation 'Add_1' type=Add>, <tf.Operation 'strided_slice' type=StridedSlice>, <tf.Operation 'strided_slice_1' type=StridedSlice>]
name: "Add_1"
op: "Add"
input: "Const_12"
input: "Const_13"
attr {
  key: "T"
  value {
    type: DT_INT32
  }
}

张量的操作

操作类型	典型操作
一元代数操作	abs,neg,invert
二元代数操作	add,multiply,sub
形状操作	chip,reshape,slice,shuffle
归约操作	reduce_mean,reduce_sum
神经网络操作	conv,pool,softmax,relu
条件操作	cond

5.稀疏张量 SparseTensor

创建

sp = tf.SparseTensor(indices=[[0,2],[1,3]],values=[1,2],dense_shape=[3,4])
'''

稀疏张量ｓｐ的键值对如下:
[0,2]:1
[1,3]:2
形状等价于:
[[0,0,1,0]
 [0,0,0,2]
 [0,0,0,0]
]

'''
with tf.Session() as sess:
    print(sp.eval())

SparseTensorValue(indices=array([[0, 2],
       [1, 3]]), values=array([1, 2], dtype=int32), dense_shape=array([3, 4]))

稀疏张量的操作

操作类型	典型操作
转换操作	sparse_to_dense,sparse_to_indicator,sparse_merge
代数操作	sparse_add,sparse_softmax,sparse_tensor_dense_matmul,sparse_maxium
几何操作	sparse_concat,sparse_reorder,sparse_split,sparse_transpose
归约操作	sparse_reduce_sum,sparse_reduce_sum_sparse

x = tf.SparseTensor(indices=[[0,0],[0,2],[0,1]],values=[1,1,1],dense_shape=[2,3])
reduce_x = [tf.sparse_reduce_sum(x),
            tf.sparse_reduce_sum(x,axis=1),
            tf.sparse_reduce_sum(x,axis=1,keep_dims=True),
            tf.sparse_reduce_sum(x,axis=[0,1])
    
]
with tf.Session() as sess:
    print(sess.run(reduce_x))

[3, array([3, 0], dtype=int32), array([[3],
       [0]], dtype=int32), 3]

张量的基础部分差不多就这些了。

---