Tensorflow2基础知识点

准备Tensorflow

Tensor表示张量；Numpy只能在CPU中计算；Tensor可以在GPU和TPU中计算。

在Tensorflow2版本中，所有张量都可以调用numpy的方法

 import tensorflow as tf
 import numpy as np

print("Tensorflow version:", tf.__version__)

Tensorflow version: 2.3.0

print("Eger execution is:", tf.executing_eagerly())

Eger execution is: True

使用 tf.constant(value, dtype, shape)函数创建张量， value表示数字、Python列表或numpy数组

参数为Python列表

a = tf.constant([[1,2], [3,4]])
print(a)

tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)

a.numpy()

array([[1, 2],
       [3, 4]])

type(a)

tensorflow.python.framework.ops.EagerTensor

参数为数字

b = tf.constant(1)
print(b)

tf.Tensor(1, shape=(), dtype=int32)

参数为Numpy数组

tf.constant(np.array([1,2]))

<tf.Tensor: shape=(2,), dtype=int32, numpy=array([1, 2])>

tf.constant(np.array([1,2]), dtype=tf.float32)

<tf.Tensor: shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

通过is_tensor()函数判断对象是否为Tensor

tf.is_tensor(a)

True

类似于Numpy，在TensorFlow中也可以创建特殊张量

创建全0张量和全1张量

tf.zeros(shape, dtype=tf.float32

tf.ones(shape, dtype=tf.float32

tf.ones(shape=(2,1))

<tf.Tensor: shape=(2, 1), dtype=float32, numpy=
array([[1.],
       [1.]], dtype=float32)>

tf.zeros(shape=(2,3))

<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
       [0., 0., 0.]], dtype=float32)>

创建元素值都相同的张量

tf.fill(dims, value)

tf.constant(value, shape)

tf.fill([2,3],9)

<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>

tf.constant(value=9, shape=(2,3)) #需要显示调用参数

<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>

创建随机数张量——正态分布

tf.random.normal(shape, mean, stddev, dtype)

tf.random.shuffle() 根据数组的第一维，打乱数据

tf.random.normal([2,3])

<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[ 0.47237134, -0.7897855 , -1.3904623 ],
       [-0.8305992 , -0.03698471,  0.09299516]], dtype=float32)>

tf.random.set_seed()

创建序列

tf.range(start, end, step)

tf.range(10)

<tf.Tensor: shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>

tf.range(1,11,2) #创建奇数张量

<tf.Tensor: shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9])>

Tensor对象的属性——ndim、shape、dtype

a = tf.constant([[1,2],[3,4]])
print('ndim:', a.ndim)
print('dtype:', a.dtype)
print('shape:', a.shape)

ndim: 2
dtype: <dtype: 'int32'>
shape: (2, 2)

通过 reshape(tensor, shape) 改变tensor的形状

shape参数中如果为-1，表示该维度不知道，由Python自行推测

a = range(24)
b = tf.reshape(a, [2,3,4])
print(b)

tf.Tensor(
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]], shape=(2, 3, 4), dtype=int32)

# 首先生成一个np数组，再转换为tensor对象
tf.constant(np.arange(24).reshape(2,3,4))

<tf.Tensor: shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])>

通过 tf.transpose(a, perm) 交换Tensor的维度，对于二维张量，等价于转置操作

通过perm参数调整轴的顺序

a = range(6)
b = tf.reshape(a, [2,3])
print(b)

tf.Tensor(
[[0 1 2]
 [3 4 5]], shape=(2, 3), dtype=int32)

tf.transpose(b)

<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[0, 3],
       [1, 4],
       [2, 5]])>