Lesson8---TensorFlow基础

YoLo-8

已于 2023-03-04 12:09:52 修改

阅读量503

点赞数

分类专栏：神经网络与深度学习文章标签： tensorflow 深度学习 python

于 2023-02-23 23:42:03 首次发布

本文链接：https://blog.csdn.net/m0_51366201/article/details/129131702

版权

神经网络与深度学习专栏收录该内容

46 篇文章 11 订阅

订阅专栏

8.1 TensorFlow2.0特性

谷歌官方定义：An end-to-end open source machine learning platform（一个端到端的开源机器学习平台）
end-to-end：端到端是一种解决问题的思路，输入原始数据，直接得到输出结果
open source：Github上开放源代码，开放设计和实现框架
论文：TensorFlow：Larger-Scale Machine Learning on Heterogeous Distributed Systenms（TensforFlow：异构分布式系统的大规模机器学习）中介绍了Tensorflow系统的框架的设计和实现
machine learning：不仅用于深度学习，还支持机器学习，变成了机器学习生态系统

8.1.1 TensorFlow的发展历程

2011：DistBelief
2015.11：TensorFlow 0.5.0
2017.2： TensorFlow 1.0

高层API，将keras库整合进其中
Eager Execution（动态图机制）、TensorFlow Lite（面向移动智能终端的）、TensorFlow.js（面向网页前端的）
AutoGraph（自动将Python转化为计算图的）

2019：Tensorflow 2.0（是对之前版本的革命性改造，非常的简单清晰好用，并且容易扩展，极大的降低了深度学习的门槛，目标是让普通人也能使用深度学习内容解决问题）

8.1.2 Tensorflow2.0的新特性

TensorFlow1.x----延迟执行机制（deferred execution）
TensorFlow2.x----动态图机制（Eager execution默认）
静态图只需要创建一次，就可以重复使用它
静态图运行之前，可以优化，效率更高
可以在程序的调式阶段使用动态图，快速建立模型，调式程序；再部署阶段，采用静态图机制，从而提高模型的性能和部署能力
TensforFlow1.x—重复、冗余的API

构建神经网络：tf.slim、tf.layers、tf.contrib.layers、tf.keras
混乱、不利于程序共享，维护成本高

TensorFlow2.x—清理/整合API

清理、整合了重复的API
将tf.keras作为构建和训练模型的标准高级API

8.1.3 TensorFlow框架特性

多种环境支持

可运动移动设备、个人计算机、服务器、集群等
云端、本地、浏览器、移动设备、嵌入式设备
随时随地的实现可靠的机器学习应用

支持分布式模式

TensorFlow会自动检测GPU和CPU，并充分地利用它们并行、分布的执行程序

简洁高效

构建、训练、迭代模型：Eager Execution，keras
部署阶段：转化为静态图，提高执行效率

社区支持

8.2 创建张量

8.2.1 创建张量（1）

在TensorFlow2.4 CPU版安装教程，
TensorFlow2.4 GPU版安装教程]
已经安装好了tensorflow2.4CPU及GPU版本

8.2.1.1 更新tensorflow

8.2.1.1.1 更新tensorflow到2.0.0

这里演示了如何更新tensorflow的版本，将tensorflow2.0.0 -beta版本更新到tensorflow 2.0.0

pip install --upgrade tensorflow==2.0.

如果不知道怎么做，可以看文章【TensorFlow 】查看Tensorflow和python对应版本、将现有的TensorFlow更新到指定的版本

8.2.1.1.2 查看版本号

(tensorflow2_7) C:\Users\xxx>python
Python 3.7.11 (default, Jul 27 2021, 09:42:29) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> tf.__version__
'2.0.0'
>>> tf.executing_eagerly()# 检测当前是否在eager模式下 
True

8.2.1.1.3 在TensorFlow2.x中运行TensorFlow1.x的代码

在TensorFlow2.0的环境中，运行TensorFlow1.x代码，常常会出现错误提示

例如：
对于代码：

import tensorflow as tf

a = tf.constant(2,name="input_a")
b = tf.constant(3,name="input_b")
c = tf.add(a,b,name="add_c")

sess = tf.Session()
print(sess.run(c))
sess.close()

运行结果为：
提示没有这个Session()函数

(tensorflow2_7) C:\Users\xxx\Desktop\english_cx\shen_du_xue_xi\3_1>python first.py

2021-11-08 20:46:09.709836: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
Traceback (most recent call last):
  File "first.py", line 7, in <module>
    sess = tf.Session()
AttributeError: module 'tensorflow' has no attribute 'Session'

在TensorFlow2.0的话环境中，运行TensorFlow1.x的代码，事实证明：不行，由于我可能用不到1.x版本，所以这里也就不折腾自己了，以后用到会想办法解决的

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

如果刚开始学习Tensorflow，不用理会1.x

8.2.1.2 对比列表、ndarray数组和张量

TensorFlow中的“Tensor”表示张量，其实就是多维数组。

Python中的列表list
Numpy中的数组对象ndarray

它们也都可以作为数据的载体

8.2.1.2.1 Python列表（list）

元素可以使用不同的数据类型，可以嵌套
在内存中并不是连续存放，是一个动态的指针数组
读写效率低，占用内存空间大，随着数据规模增大，数据内存空间快速增长
不适合做数值计算，由于列表高度灵活性，数据格式不规范性，不持支乘法运算，不支持一次性读取一行或一列

8.2.1.2.2 Numpy数组（ndarray）

数组中所有元素数据类型相同
每个元素在内存中占用的空间相同，存储在一个连续的内存区域中
存储空间小，读取和写入速度快
在CPU中运算，不能够主动检测、利用GPU进行运算
8.2.1.2.3 TensorFlow张量（Tensor）
本身就是为了实现大规模深度学习产生的
可以高速运行于GPU和TPU之上
支持CPU、嵌入式、单机多卡和多级多卡等多种计算环境
可以高速实现神经网络和深度学习中的复杂算法

8.2.1.3 张量（Tensor）

TensorFlow的基本运算、参数命名、运算规则、API的设计等与Numpy非常相近

8.2.1.3.1 创建张量（Tensor）对象

张量由Tensor类实现，每个张量都是一个Tensor对象

8.2.1.3.2 tf.constant()函数：创建张量

tf.constant(value,dtype,shape)

参数value：数字/Python列表/Numpy数组
参数dtype：元素的数据类型
参数shape：张量的形状

8.2.1.3.2.1 参数为Python列表

>>> import tensorflow as tf
>>> tf.constant([[1,2],[3,4]])
<tf.Tensor: id=2, shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
       [3, 4]])>

tf.Tensor：表示这是tensorflow中的张量对象
id是张量的序号，由系统自动按顺序给出
shape是张量的形状，这是一个二维张量，形状是（2，2）
dtype：没有给出数据类型，默认是int32
numpy：是张量的值，以数组的形式给出

8.2.1.3.2.2 参数为数字

>>> import tensorflow as tf
>>> tf.constant(1.0)                           
<tf.Tensor: id=14, shape=(), dtype=float32, numpy=1.0>
>>> tf.constant(1.)                            
<tf.Tensor: id=16, shape=(), dtype=float32, numpy=1.0>
>>> tf.constant(1.0, dtype = tf.float64) 
<tf.Tensor: id=18, shape=(), dtype=float64, numpy=1.0>

shape=()：可以看作是0维张量，也就是一个数字，一个标量
dtype = tf.float64：创建张量时，指定张量元素的数据类型，这里要加上tf作为前缀，表示这是tensorflow中的数据类型

8.2.1.3.2.3 参数为NumPy数组

>>> import tensorflow as tf
>>> import numpy as np
>>> tf.constant(np.array([1,2])) 
<tf.Tensor: id=20, shape=(2,), dtype=int32, numpy=array([1, 2])>
>>> tf.constant(np.array([1.0,2.0])) 
<tf.Tensor: id=22, shape=(2,), dtype=float64, numpy=array([1., 2.])>
>>> tf.constant(np.array([1.0,2.0]),dtype=tf.float32)
<tf.Tensor: id=24, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

numpy创建浮点数数字时，默认的浮点型时64为浮点数
Tensorflow默认的是32为浮点数
但是使用numpy数组创建，tensorflow在接受numpy数据时，会同时接受其中的数据类型，默认使用64位浮点数保存数据
在GPU中运行tensorflow程序，处理32位浮点数的速度要比处理64位浮点数的速度快得多，
大多数深度学习算法使用32位浮点数或整数就可以满足运算的精度
因此，在使用numpy数组创建张量时，建议指明数据类型为32位

8.2.1.3.2.4 参数为布尔型

cast()函数看后面一小节

>>> import tensorflow as tf
>>> tf.constant(True) 
<tf.Tensor: id=33, shape=(), dtype=bool, numpy=True>
>>> a = tf.constant([True,False]) 
>>> tf.cast(a, tf.int32) 
<tf.Tensor: id=36, shape=(2,), dtype=int32, numpy=array([1, 0])>
>>> a = tf.constant([-1,0,1,2])   
>>> tf.cast(a, tf.bool)         
<tf.Tensor: id=39, shape=(4,), dtype=bool, numpy=array([ True, False,  True,  True])>

8.2.1.3.2.5 参数为字符串

>>> import tensorflow as tf
>>> tf.constant("hello") 
<tf.Tensor: id=41, shape=(), dtype=string, numpy=b'hello'>

数据类型为string
numpy=b'hello’中的b意思是这是一个字节串，因为在python3中字符串默认是Unicode编码，因此要转换为字节串，在原先的字符串前加上一个b

8.2.1.3.2.6 张量的.numpy()方法

>>> import tensorflow as tf
>>> a = tf.constant([[1,2],[3,4]])
>>> a.numpy()  # 输出一个numpy数组
array([[1, 2],
       [3, 4]])
>>> type(a) 
<class 'tensorflow.python.framework.ops.EagerTensor'>
# 表示是一个eager模式下的张量 
>>> print(a) 
tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)

在Tensorflow1.x中，默认是延迟执行机制，tensor只是定义了运算，并没有真正的进行运算，要在session中才执行运算
在TensorFlow2.0默认的eager模式中，tensor对象定义好之后，结果也计算好了

8.2.1.3.2.7 张量元素的数据类型

数据类型	描述
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.uint8	8位无符号整数
tf.float32	32位浮点数
tf.float64	64位浮点数
tf.string	字符串（非Unicode编码的字节数组）
tf.bool	布尔型
tf.comples64	复数，实部和虚部分分别为32位浮点型

8.2.1.3.3 tf.constant()函数：改变张量中元素的数据类型
程序格式为：

>>> import tensorflow as tf
>>> a = tf.constant(np.array([1,2]))       
>>> b = tf.cast(a, dtype = tf.float32)     
>>> b.dtype
tf.float32

>>> a = tf.constant(123456789,dtype = tf.int32) 
>>> tf.cast(a,tf.int16) 
<tf.Tensor: id=31, shape=(), dtype=int16, numpy=-13035>

数据溢出也会发生

8.2.1.3.4 tf.convert_to_tensor()函数：转变为tensor张量

tf.convert_to_tensor(数组/列表/数字/布尔型/字符串)

>>> import tensorflow as tf
>>> import numpy as np
>>> na = np.arange(12).reshape(3,4) 
>>> ta = tf.convert_to_tensor(na) 
>>> type(na) 
<class 'numpy.ndarray'>
>>> type(ta) 
<class 'tensorflow.python.framework.ops.EagerTensor'>
>>> ta
<tf.Tensor: id=43, shape=(3, 4), dtype=int32, numpy=
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])>
>>> na
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

8.2.1.3.5 tf.if_tensor()函数：判断是否为张量

#接上
>>> tf.is_tensor(na) 
False
>>> tf.is_tensor(ta) 
True

8.2.1.3.6 isinstance()函数：判断参数的类型

>>> isinstance(ta,tf.Tensor) 
True
>>> isinstance(na,np.ndarray) 
True

8.2.2 创建张量（2）

张量是tensorflow中数据的载体
类似于Numpy，Tensorflow中也可以直接生成一些特殊的张量

全0张量
全1张量
所有元素值都相同的张量
元素取值符合某种随机分布的张量

8.2.2.1 创建特殊张量

8.2.2.1.1 创建全0张量和全1张量

全0张量

tf.zeros(shape,dtype=tf.float32)

全1张量

tf.ones(shape,dtype=tf.float32)

shape形状；dtype默认32位浮点数

例如：

>>> import tensorflow as tf
>>> tf.ones(shape=(2,1)) 
<tf.Tensor: id=47, shape=(2, 1), dtype=float32, numpy=
array([[1.],
       [1.]], dtype=float32)>
>>> tf.ones([6])         
<tf.Tensor: id=51, shape=(6,), dtype=float32, numpy=array([1., 1., 1., 1., 1., 1.], dtype=float32)> 
>>> tf.ones([2,3],tf.int32)       
<tf.Tensor: id=59, shape=(2, 3), dtype=int32, numpy=
array([[1, 1, 1],
       [1, 1, 1]])>

8.2.2.1.2 创建元素值都相同的张量

8.2.2.1.2.1 tf.fill()函数

tf.fill(dims,value)

根据value类型自动判断数据类型

例如：

>>> import tensorflow as tf
>>> tf.fill([2,3],9) 
<tf.Tensor: id=63, shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>
>>> tf.fill([2,3],9.0) 
<tf.Tensor: id=67, shape=(2, 3), dtype=float32, numpy=
array([[9., 9., 9.],
       [9., 9., 9.]], dtype=float32)>

8.2.2.1.2.2 tf.constant()函数

为了避免混淆，使用这些参数时，尽量加上名称

>>> import tensorflow as tf

>>> tf.constant(9,shape=[2,3]) 
<tf.Tensor: id=71, shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>

>>> tf.constant(9,shape=(2,3)) 
<tf.Tensor: id=75, shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>

>>> tf.fill(dims=[2,3],value=9)   
<tf.Tensor: id=79, shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>

>>> tf.constant(value=9,shape=[2,3]) 
<tf.Tensor: id=83, shape=(2, 3), dtype=int32, numpy=
array([[9, 9, 9],
       [9, 9, 9]])>

8.2.2.1.3 创建随机数张量

8.2.2.1.3.1 正态分布

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

shape：张量的形状
mean：均值，省略的话默认是0
stddev：标准差，省略的话默认是1
dtype：数据类型，默认是32浮点数（tf.float32）

例如；创建一个2*2的张量，其元素服从标准正态分布的张量

>>> import tensorflow as tf
>>> tf.random.normal([2,2]) 
<tf.Tensor: id=90, shape=(2, 2), dtype=float32, numpy=
array([[ 0.48454306,  0.7746329 ],
       [ 2.2181435 , -0.62854046]], dtype=float32)>

例如：创建一个三位张量，其元素服从正态分布

>>> import tensorflow as tf
>>> tf.random.normal(shape=[3,3],mean=0,stddev=1,dtype=tf.float32)
<tf.Tensor: id=97, shape=(3, 3), dtype=float32, numpy=
array([[ 1.8088632 ,  0.49246895,  0.8497273 ],   
       [-1.1053319 , -3.4912257 ,  0.03176761],   
       [ 1.0519494 , -0.9557805 ,  0.4212218 ]], dtype=float32)>

8.2.2.1.3.2 截断正态分布

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

返回一个截断的正太分布
截断的标准是2倍的标准差
也就是说，当均值为0，标准差为1时

使用tf.random.truncated_normal()，不可能出现区间[-2,2]以外的点
使用tf.random.normal()，可能出现区间[-2,2]以外的点

8.2.2.1.3.3 设置随机种子-tf.random.set_seed()函数

产生同样的随机张量

>>> import tensorflow as tf

>>> tf.random.set_seed(8) 
>>> tf.random.normal([2,2]) 
<tf.Tensor: id=104, shape=(2, 2), dtype=float32, numpy=
array([[ 1.2074401 , -0.7452463 ],
       [ 0.6908678 , -0.76359874]], dtype=float32)>
>>> tf.random.normal([2,2])
<tf.Tensor: id=111, shape=(2, 2), dtype=float32, numpy=
array([[ 1.6407531 , -0.41693485],
       [-2.174734  ,  0.14891738]], dtype=float32)>
>>> tf.random.set_seed(8)   
>>> tf.random.normal([2,2])
<tf.Tensor: id=118, shape=(2, 2), dtype=float32, numpy=
array([[ 1.2074401 , -0.7452463 ],
       [ 0.6908678 , -0.76359874]], dtype=float32)>

8.2.2.1.4 创建均匀分布张量–tf.random.uniform()函数

tf.random.uniform(shape,minval,maxval,dtype)

shape：形状
minval：最小值
maxval：最大值
dtype：数据类型
这是前闭后开的，所以最大值为9

>>> import tensorflow as tf

>>> tf.random.uniform(shape=[3,3],minval=0,maxval=10,dtype='int32')
<tf.Tensor: id=123, shape=(3, 3), dtype=int32, numpy=
array([[6, 8, 3],
       [9, 5, 1],
       [8, 6, 1]])>

8.2.2.1.5 随机打乱–tf.random.shuffle()函数

>>> import tensorflow as tf
>>> import numpy as np

>>> x = tf.constant([[1,2],[3,4],[5,6]])
>>> tf.random.shuffle(x) 
<tf.Tensor: id=126, shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
       [5, 6],
       [3, 4]])>

>>> y = [1,2,3,4,5,6] 
>>> tf.random.shuffle(y) 
<tf.Tensor: id=129, shape=(6,), dtype=int32, numpy=array([1, 5, 4, 2, 3, 6])>


>>> z = np.arange(5)  
>>> tf.random.shuffle(z) 
<tf.Tensor: id=132, shape=(5,), dtype=int32, numpy=array([3, 1, 2, 4, 0])>

8.2.2.2 创建序列–tf.range()函数

tf.range(start,limit,delta=1,dtype)

用法和numpy中类似
start：起始数字，省略默认为0
limit：结束数字
delta：步长，省略默认为1
dtype：类型
也是前闭后开的
起始数字和步长都可以省略

>>> import tensorflow as tf

>>> tf.range(10)
<tf.Tensor: id=137, shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>

>>> tf.range(10,delta=2)
<tf.Tensor: id=142, shape=(5,), dtype=int32, numpy=array([0, 2, 4, 6, 8])>

>>> tf.range(1,10,delta=2)
<tf.Tensor: id=147, shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9])>

8.2.2.3 小结-创建张量

在这里插入图片描述

8.2.2.4 Tensor对象的属性-ndim、shape、dtype

8.2.2.4.1 张量.属性

>>> import tensorflow as tf

>>> tf.constant([[1,2],[3,4]]) 
<tf.Tensor: id=149, shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
       [3, 4]])>
>>> a = tf.constant([[1,2],[3,4]]) 
>>> a.ndim
2
>>> a.shape
TensorShape([2, 2])
>>> a.dtype
tf.int32

8.2.2.4.1 tf.属性(张量)

>>> import tensorflow as tf

>>> tf.constant([[1,2],[3,4]]) 
<tf.Tensor: id=149, shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
       [3, 4]])>
>>> a = tf.constant([[1,2],[3,4]]) 

>>> tf.shape(a) 
<tf.Tensor: id=152, shape=(2,), dtype=int32, numpy=array([2, 2])>
>>> tf.size(a)  
<tf.Tensor: id=154, shape=(), dtype=int32, numpy=4>
>>> tf.rank(a) 
<tf.Tensor: id=156, shape=(), dtype=int32, numpy=2>

8.2.2.5 张量和Numpy数组

张量可以看作是在numpy数组的基础上又做了一层封装，使它可以执行tensorflow中的API，可以运行于GPU和TPU
在TensorFlow中，所有的运算都是在张量之间进行的
NumPy数组仅仅是作为输入和输出来使用
例如，在运算之前，利用numpy数组提供数据，生成张量对象；在运算的过程中，或者运算结束之后，使用张量对象的numpy方法获取张量的值，以numpy数组的形式返回给我们；运算的过程中，numpy不参与计算。
张量可以运行于CPU，也可以运行于TPU和ＧＰＵ
而Numpy数组只能在CPU中运行，当张量在GPU中时，其实于numpy数组共享同一片内存，只是读取和写入方式不同，这种情况使用张量的numpy方法可以很块的得到结果
而在GPU中运行时，把内存中的numpy数组中的值，在拷贝到GPU中的显存中，在GPU中做高速运算，此时用numpy方法读取它的值，就需要再从GPU的显存中拷贝到内存中，速度就会很慢

8.3 维度变换

上节回顾

张量时TensorFlow中多维数组的载体，用Tensor对象实现
在CPU环境中，张量和Numpy数组时共享同一片内存的

在内存中，多维张量都是以一维数组的方式连续存储的，他们的物理存储方式是一维的，而我们通过维度和形状在逻辑上把它理解为一个多维张量

8.3.1 理解张量的存储和视图

在这里插入图片描述
4个班级合并为两个班，每个班十组，逻辑上发生改变，物理上的位置不变

多维张量进行维度变换时，也只是改变了逻辑上的索引方式，在内存中的存储情况并没有发生任何改变
把逻辑组织称为视图
把物理组织称为存储

8.3.2 改变张量的形状

tf.reshape(tensor,shape)

Tensorflow中的reshape()函数没有被封装到tensor对象中，所以前缀是tf，不能是张量对象
tensor：要改变形状的张量
shape：改变后的形状，元素()或者列表[]表示

例如：直接创建一个24序列的张量，然后将其转换为(2,3,4)形状的张量

>>> import tensorflow as tf

>>> a = tf.range(24) 
>>> a     
<tf.Tensor: id=161, shape=(24,), 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])>

>>> b = tf.reshape(a,[2,3,4]) 
>>> b
<tf.Tensor: id=164, 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]]])>

例如：创建一个形状(2，3，4)的数组，然后将其转化为张量

>>> import tensorflow as tf 
>>> b = tf.reshape(tf.range(24),[2,3,4])  
>>> tf.constant(np.arange(24).reshape(2,3,4)) 
<tf.Tensor: id=166, 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]]])>
>>> tf.reshape(b,(4,-1)) 
<tf.Tensor: id=169, shape=(4, 6), 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]])>

shape参数=-1：自动推导出其长度
这些维度变换，都只是改变了张量的视图，张量的存储顺序始终没有改变

8.3.3 多维张量的轴：张量的维度

在这里插入图片描述

8.3.3.1 增加和删除维度

8.3.3.1.1 增加维度

tf.expend_dims(input,axis)

增加的这个维度上，长度为1，也就是只有一个元素

>>> import tensorflow as tf
>>> t = tf.constant([1,2])  
>>> t
<tf.Tensor: id=2, shape=(2,), dtype=int32, numpy=array([1, 2])>

>>> t1 = tf.expand_dims(t,1) 
<tf.Tensor: id=5, shape=(2, 1), dtype=int32, numpy=
array([[1],
       [2]])>

>>> t2 = tf.expand_dims(t,0) 
>>> t2
<tf.Tensor: id=8, shape=(1, 2), dtype=int32, numpy=array([[1, 2]])>

>>> t3 = tf.expand_dims(t,-1) 
>>> t3
<tf.Tensor: id=11, shape=(2, 1), dtype=int32, numpy=
array([[1],
       [2]])>

8.3.3.1.2 删除维度

只能删除长度为1的维度

tf.squeeze(input, axis)

例如：
如果一个张量的形状为：(1,2,1,3,1)，使用tf.shape(tf.squeeze(t))，就会将其中长度为1的维度全部删除，得到的张量形状为(2,3)；也可以指明删除的轴，tf.shape(tf.squeeze(t,[2,4]))，得到的结果为张量形状为(1,2,3)

增加维度和删除维度，只是为了改变张量的视图，不会改变张量的存储

8.3.3.2 交换维度

tf.transpose(a,perm)

a：输入的张量
perm：是张量中各个轴的顺序，可以通过该参数修改张量的轴顺序，

例子：二维数组的例子

>>> import tensorflow as tf

>>> x = tf.constant([[1,2,3],[4,5,6]]) 
>>> x
<tf.Tensor: id=13, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [4, 5, 6]])>

>>> tf.transpose(x,perm=[1,0]) 
<tf.Tensor: id=16, shape=(3, 2), dtype=int32, numpy=
array([[1, 4],
       [2, 5],
       [3, 6]])>

例子，三维数组的例子

>>> import tensorflow as tf

>>> a = tf.range(24) 
>>> b = tf.reshape(a,[2,3,4]) 
>>> b
<tf.Tensor: id=23, 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]]])>
>>> tf.transpose(b,(1,0,2)) 
<tf.Tensor: id=26, shape=(3, 2, 4), dtype=int32, numpy=
array([[[ 0,  1,  2,  3],
        [12, 13, 14, 15]],

       [[ 4,  5,  6,  7],
        [16, 17, 18, 19]],

       [[ 8,  9, 10, 11],
        [20, 21, 22, 23]]])>

交换维度，不仅改变了张量的视图，同时也改变了张量的存储顺序

8.3.3.3 拼接和分割张量

8.3.3.3.1 拼接张量

就是在某个维度上合并

tf.concat(tensors,axis)

tensors：是一个列表，包含所有需要拼接的张量
axis：在哪个维度上拼接

>>> import tensorflow as tf

>>> t1 = [[1,2,3],[4,5,6]] 
>>> t2 = [[7,8,9],[10,11,12]] 
>>> tf.concat([t1,t2],0) 
<tf.Tensor: id=31, shape=(4, 3), dtype=int32, numpy=
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])>
>>> tf.concat([t1,t2],1) 
<tf.Tensor: id=36, shape=(2, 6), dtype=int32, numpy=
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])>

8.3.3.3.2 分割张量
将一个张量拆分成多个张量，分割后维度不变

tf.split(value,num_or_size_spluts,axis=0)

value：带分割的张量
num_or_size_spluts：分割的方案；

当为单个的数字时，指分割的份数；如2：平均分割为2个张量
当为列表时，不等的切割；如[1,2,1]：就表示分割成三个张量，长度分别是1，2，1

axis：指定按照哪个轴来分割

例如：在轴axis=0轴上分割，平均分割两份

>>> import tensorflow as tf

>>> x = tf.range(24) 
>>> x = tf.reshape(x,[4,6]) 
>>> x
<tf.Tensor: id=43, shape=(4, 6), 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]])>

>>> tf.split(x,2,0) 
[<tf.Tensor: id=47, shape=(2, 6), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])>, <tf.Tensor: id=48, shape=(2, 6), dtype=int32, numpy=
array([[12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])>]

例如：在轴axis=0轴上分割，分割三份，比例为1：2：1

>>> import tensorflow as tf

>>> x = tf.range(24) 
>>> x = tf.reshape(x,[4,6]) 
>>> x
<tf.Tensor: id=43, shape=(4, 6), 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]])>


>>> tf.split(x,[1,2,1],0) 
[<tf.Tensor: id=53, shape=(1, 6), dtype=int32, numpy=array([[0, 1, 2, 3, 4, 5]])>, <tf.Tensor: id=54, shape=(2, 6), dtype=int32, numpy=
array([[ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17]])>, <tf.Tensor: id=55, shape=(1, 6), dtype=int32, numpy=array([[18, 
19, 20, 21, 22, 23]])>]

例如：在轴axis=1轴上分割，分割两份，比例为2：4

>>> import tensorflow as tf

>>> x = tf.range(24) 
>>> x = tf.reshape(x,[4,6]) 
>>> x
<tf.Tensor: id=43, shape=(4, 6), 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]])>

>>> tf.split(x,[2,4],1)       
[<tf.Tensor: id=61, shape=(4, 2), dtype=int32, numpy=
array([[ 0,  1],
       [ 6,  7],
       [12, 13],
       [18, 19]])>, <tf.Tensor: id=62, shape=(4, 4), dtype=int32, numpy=
array([[ 2,  3,  4,  5],
       [ 8,  9, 10, 11],
       [14, 15, 16, 17],
       [20, 21, 22, 23]])>]

图像的分割和拼接，改变了张量的视图，但是张量的存储顺序并没有改变

8.3.3.4 堆叠和分解张量

8.3.3.4.1 堆叠张量

合并张量时，创建一个新的维度

tf.stack(values,axis)

values：要堆叠的多个张良
axie：指定插入新维度的位置

例如：

>>> import tensorflow as tf

>>> x = tf.constant([1,2,3]) 
>>> y = tf.constant([4,5,6]) 
>>> tf.stack((x,y),axis=0) 
<tf.Tensor: id=67, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [4, 5, 6]])>
>>> tf.stack((x,y),axis=1) 
<tf.Tensor: id=69, shape=(3, 2), dtype=int32, numpy=
array([[1, 4],
       [2, 5],
       [3, 6]])>

8.3.3.4.2 分解张量

将张量分解为多个张量
分解后得到的每个张量，和原来的张量相比，维度都少了一维

tf.unstack(values,axis)

values：要分解的张量
axis：分解的轴，消失的轴

>>> import tensorflow as tf

>>> c = tf.constant([[1,2,3],[4,5,6]]) 
>>> c  
<tf.Tensor: id=71, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [4, 5, 6]])>
>>> tf.unstack(c,axis=0) 
[<tf.Tensor: id=73, shape=(3,), dtype=int32, numpy=array([1, 2, 3])>, 
<tf.Tensor: id=74, shape=(3,), dtype=int32, numpy=array([4, 5, 6])>]
>>> tf.unstack(c,axis=1) 
[<tf.Tensor: id=77, shape=(2,), dtype=int32, numpy=array([1, 4])>, 
<tf.Tensor: id=78, shape=(2,), dtype=int32, numpy=array([2, 5])>, 
<tf.Tensor: id=79, shape=(2,), dtype=int32, numpy=array([3, 6])>]

8.4 部分采样

8.4.1 索引和切片

几乎和numpy中一摸一样

8.4.1.1 索引

一维张量

a[1]

二维张量

b[1][1]
b[1,1]

三维张量

c[1][1][1]
c[1,1,1]

手写数字图像数据集MNIST，表示为三维张量，形状为：(60000,28,28)

第一维表示有60000张图片
后面两维对应二维图片中每个像素的灰度值
mnist[0]：取第1张图片中的数据
mnist[0][1]：取第1张图片中的第2行
mnist[0][1][2]：取第1张图片中的第2行的第3列

8.4.1.2 切片

前闭后开的
起始位置、结束位置、步长都可以省略；表示读取所有数据，步长为1
步长也可以是负数

8.4.1.2.1 一维张量切片

起始位置:结束位置:步长

>>> import tensorflow as tf

>>> a = tf.range(10) 

>>> a[::] 
<tf.Tensor: id=90, shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>

>>> a[::2] # 读取所有的偶数
<tf.Tensor: id=95, shape=(5,), dtype=int32, numpy=array([0, 2, 4, 6, 8])>

>>> a[1::2] # 读取所有的奇数
<tf.Tensor: id=100, shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9])>

>>> a[::-1]  # 从最后以恶搞元素开始
<tf.Tensor: id=105, shape=(10,), dtype=int32, numpy=array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])>

>>> a[::-2] 
<tf.Tensor: id=110, shape=(5,), dtype=int32, numpy=array([9, 7, 5, 3, 1])>

8.4.1.2.2 二维张量切片

维度之间用逗号隔开
鸢尾花数据集可以表示为一个二位张量

>>>import tensorflow as tf
>>> TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
>>> train_path = tf.keras.utils.get_file("iris_training.csv",TRAIN_URL)

>>> import pandas as pd
>>> df_iris = pd.read_csv(train_path) 

>>> import numpy as np
>>> np_iris = np.array(df_iris) 

>>> iris = tf.convert_to_tensor(np_iris) 
>>> iris.shape 
TensorShape([120, 5])

>>> iris[0,:] # 读取第一个样本中所有列
<tf.Tensor: id=4, shape=(5,), dtype=float64, numpy=array([6.4, 2.8, 5.6, 2.2, 2. ])>

>>> iris[0:5,0:4] # 前5个样本的所有属性
<tf.Tensor: id=8, shape=(5, 4), dtype=float64, numpy=
array([[6.4, 2.8, 5.6, 2.2],
       [5. , 2.3, 3.3, 1. ],
       [4.9, 2.5, 4.5, 1.7],
       [4.9, 3.1, 1.5, 0.1],
       [5.7, 3.8, 1.7, 0.3]])>

>>> iris[:,0] # 表示读取所有样本的第一个属性
<tf.Tensor: id=12, shape=(120,), dtype=float64, numpy=
array([6.4, 5. , 4.9, 4.9, 5.7, 4.4, 5.4, 6.9, 6.7, 5.1, 5.2, 6.9, 5.8,
       5.4, 7.7, 6.3, 6.8, 7.6, 6.4, 5.7, 6.7, 6.4, 5.4, 6.1, 7.2, 5.2,
       5.8, 5.9, 5.4, 6.7, 6.3, 5.1, 6.4, 6.8, 6.2, 6.9, 6.5, 5.8, 5.1,
       4.8, 7.9, 5.8, 6.7, 5.1, 4.7, 6. , 4.8, 7.7, 4.6, 7.2, 5. , 6.6,
       6.1, 5. , 7. , 6. , 7.4, 5.8, 6.2, 5. , 5.6, 6.7, 6.3, 6.4, 6.2,
       7.3, 4.4, 7.2, 6.5, 5. , 4.7, 6.6, 5.5, 7.7, 6.1, 4.9, 5.5, 5.7,
       6. , 6.4, 5.4, 6.1, 6.5, 5.6, 6.3, 4.9, 6.8, 5.7, 6. , 5. , 6.5,
       6.1, 5.1, 4.6, 6.5, 4.6, 4.6, 7.7, 5.9, 5.1, 4.9, 4.9, 4.5, 5.8,
       5. , 5.2, 5.3, 5. , 5.6, 4.8, 6.3, 5.7, 5. 
, 6.3, 5. , 5.5, 5.7,
       4.4, 4.8, 5.5])>

8.4.1.2.3 三维张量切片-手写数字数据集MNIST（60000,28,28）

mnist[0,::,::]：第一张图片
mnist[0,::,::]：第一张图片（为了更加简洁，可以为1个：）
mnist[0:10,:,:]：前10张图片
mnist[0:20,0:28:2,:]：前20张图片的所有的行，隔行采样
mnist[:,0:28:2,0:28:2]：对所有的图片，隔行采样，并且隔列采样

8.4.1.2.4 三维张量切片-彩色图片lena(512,512,3)

lena[:,:,0]：R通道的图片
lena[:,:,2]：B通道的图片

8.4.1.2.5 四维张量切片-多张彩色图片(4，512,512,3)

image[0,:,:,0]：第1张图片的R通道
image[0:2,:,:,2]：前2张图片的B通道
image[0:2,0:512:2,:,2]：对前2张图片的B通道图片隔行采样

8.4.2 数据提取

取出没有规律，特定的数据

8.4.2.1 tf.gather()提取函数

gather()函数：用一个索引列表，将给定张量中，对应索引值的元素提取出来

8.4.2.1.1 tf.gather()提取一维函数

gather(params,indices)

例如：

>>>import tensorflow as tf

>>> a = tf.range(5) 
>>> tf.gather(a, indices=[0,2,3]) 
<tf.Tensor: id=19, shape=(3,), dtype=int32, numpy=array([0, 2, 3])>

8.4.2.1.2 tf.gather()提取多维函数

tf.ganther()函数一次只能对一个函数索引

gather(params,axis,indices)

axis：说明的在哪个轴上采样

>>>import tensorflow as tf

>>> b = tf.reshape(a,[4,5]) 
>>> b
<tf.Tensor: id=25, shape=(4, 5), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])>
       
>>> tf.gather(b,axis=0,indices=[0,2,3]) 
<tf.Tensor: id=28, shape=(3, 5), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])>
       
>>> tf.gather(b,axis=1,indices=[0,2,3]) 
<tf.Tensor: id=31, shape=(4, 3), dtype=int32, numpy=
array([[ 0,  2,  3],
       [ 5,  7,  8],
       [10, 12, 13],
       [15, 17, 18]])>

8.4.2.2 tf.gather_nd()同时多个维度

指定采样点的坐标

>>>import tensorflow as tf

>>> b = tf.reshape(a,[4,5]) 
>>> b
<tf.Tensor: id=25, shape=(4, 5), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])>

>>> tf.gather_nd(b,[[0,0],[1,1],[2,3]]) 
<tf.Tensor: id=37, shape=(3,), dtype=int32, numpy=array([ 0,  6, 13])>

# 等同于
>>> b[0,0] 
<tf.Tensor: id=41, shape=(), dtype=int32, numpy=0
>>> b[1,1] 
<tf.Tensor: id=45, shape=(), dtype=int32, numpy=6
>>> b[2,3] 
<tf.Tensor: id=49, shape=(), dtype=int32, numpy=13>

选择采样维度

三维张量–彩色图片lena（512，512，3）
表示仅对前两维采样，每个点都包括所有三个通道的值

tf.gather_nd(lena,[[0,0],[1,1],[2,3]])

三维张量–手写数字数据集MNIST（60000，28，28）
只对第一维采样，取到索引为0，2，3的三张图片

tf.gather_nd(mnist,[[0],[2],[3]])

8.5 张量运算

8.5.1 张量运算（1）

加减乘除运算、幂运算、对数指数运算、矩阵运算等

8.5.1.1 基本数学运算

8.5.1.1.1 加减乘除运算

算术操作	描述
tf.add(s,y)	将x和y逐元素相加
tf.subtract(x,y)	将x和y逐元素相减
tf.multiply(x,y)	将x和y逐元素相乘
tf.divide(x,y)	将x和y逐元素相除
tf.math.mod(x,y)	对x逐元素取模

>>> import tensorflow as tf

>>> a = tf.constant([0,1,2])
>>> b = tf.constant([3,4,5]) 

>>> tf.add(a,b) 
<tf.Tensor: id=3, shape=(3,), dtype=int32, numpy=array([3, 5, 7])>

减法、乘法、除法运算都是一样的，都是这两个张量逐元素的运算，并且要求各个张量中的元素数据类型必须一致

8.5.1.1.2 幂指对数运算

算术操作	描述
tf.pow(x,y)	对x求y的幂次方
tf.square(x)	对x逐元素求计算平方
tf.aqrt(x)	对x逐元素开平方根（要求x浮点数）
tf.exp(x)	计算e的x次方(要求x浮点数)
tf.math.log(x)	计算自然对数，底数为e(要求x浮点数)

8.5.1.1.2.1 一维张量幂运算

>>> import tensorflow as tf
>>> x = tf.range(4) 
>>> x
<tf.Tensor: id=7, shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3])>
>>> tf.pow(x,2) 
<tf.Tensor: id=9, shape=(4,), dtype=int32, numpy=array([0, 1, 4, 9])>

8.5.1.1.2.2 二维张量幂运算

>>> import tensorflow as tf

>>> x = tf.constant([[2,2],[3,3]])  
>>> y = tf.constant([[8,16],[2,3]])
>>> tf.pow(x,y)
<tf.Tensor: id=20, shape=(2, 2), dtype=int32, numpy=
array([[  256, 65536],
       [    9,    27]])>

>>> x = tf.constant([1.,4.,9.,16.])  # 如果这里都是整数，下式中的0.5就会出现报错，必须是浮点数类型
>>> tf.pow(x,0.5) 
<tf.Tensor: id=35, shape=(4,), dtype=float32, numpy=array([1., 2., 3., 4.], dtype=float32)>

8.5.1.1.2.3 张量平方开放运算

开根号运算要使用浮点数

>>> import tensorflow as tf

>>> x = tf.constant([1,2,3,4]) 
>>> tf.square(x) 
<tf.Tensor: id=37, shape=(4,), dtype=int32, numpy=array([ 1,  4,  9, 16])>


>>> x = tf.constant([1.,4.,9.,16.]) 
>>> tf.sqrt(x) 
<tf.Tensor: id=39, shape=(4,), dtype=float32, numpy=array([1., 2., 3., 4.], dtype=float32)>


>>> f = tf.constant([[1.,9.],[16.,100.]]) 
>>> tf.sqrt(f) 
<tf.Tensor: id=41, shape=(2, 2), dtype=float32, numpy=
array([[ 1.,  3.],
       [ 4., 10.]], dtype=float32)>

8.5.1.1.2.4 自然指数和自然对数运算

>>> import tensorflow as tf

>>> tf.exp(1.) 
<tf.Tensor: id=44, shape=(), dtype=float32, numpy=2.7182817>


>>> x = tf.exp(3.) 
>>> tf.math.log(x) 
<tf.Tensor: id=47, shape=(), dtype=float32, numpy=3.0>

8.5.1.1.2.5 对数运算

tensorflow对数运算只有以e为底的自然对数，没有以其他数为底的对数，所以使用换底函数运算

在这里插入图片描述

>>> import tensorflow as tf

>>> x = tf.constant(256.) 
>>> y = tf.constant(2.) 
>>> tf.math.log(x)/tf.math.log(y)
<tf.Tensor: id=52, shape=(), dtype=float32, numpy=8.0>

>>> x = tf.constant([[1.,9.],[16.,100.]]) 
>>> y = tf.constant([[2.,3.],[2.,10.]]) 
>>> tf.math.log(x)/tf.math.log(y) 
<tf.Tensor: id=57, shape=(2, 2), dtype=float32, numpy=
array([[0., 2.],
       [4., 2.]], dtype=float32)>

指数运算和对数运算不在同一个模块中，以及没有提供以其他自然数为底的对数运算

8.5.1.1.3 其他运算

函数	描述
tf.sign(x)	返回x的符号
tf.abs(x)	对x逐元素求绝对值
tf.negative(x)	对x逐元素求相反数，y=-x
tf.reciproca(x)	取x的倒数
tf.logical_not(x)	对x逐元素求得逻辑非
tf.ceil(x)	向上取整
tf.floor(x)	向下取整
tf.rint(x)	取最接近得整数
tf.round(x)	对x逐元素求舍入最接近得整数
tf.maximum(x,y)	返回两tensor中的最大值
tf.minimum(x.y)	返回两tensor中的最小值

8.5.1.1.4 三角函数和反三角函数

函数	描述
tf.cos(x)	三角函数cos
tf.sin(x)	三角函数sin
tf.tan(x)	三角函数tan
tf.acos(x)	反三角函数arccos
tf.asin(x)	反三角函数arcsin
tf.atan(x)	反三角函数arctan

8.5.1.2 重载运算符

在这里插入图片描述

>>> import tensorflow as tf

>>> a = tf.constant([0,1,2,3]) 
>>> b = tf.constant([4,5,6,7]) 
>>> a+b
<tf.Tensor: id=60, shape=(4,), dtype=int32, numpy=array([ 4,  6,  8, 10])>
>>> a-b
<tf.Tensor: id=61, shape=(4,), dtype=int32, numpy=array([-4, -4, -4, -4])>
>>> a*b
<tf.Tensor: id=62, shape=(4,), dtype=int32, numpy=array([ 0,  5, 12, 21])>
>>> a/b
<tf.Tensor: id=65, shape=(4,), dtype=float64, numpy=array([0.        , 0.2       , 0.33333333, 0.42857143])>

还可以使用%取余数，a中的元素依次除以b取余数

>>> a = tf.constant([0,1,2,3]) 
>>> b = 2    
>>> a%b 
<tf.Tensor: id=69, shape=(4,), dtype=int32, numpy=array([0, 1, 0, 1])>

//表示整除

>>> a = tf.constant([[0,1,2,3],[0,-1,-2,-3]]) 
>>> b = 2
>>> a//b
<tf.Tensor: id=72, shape=(2, 4), dtype=int32, numpy=
array([[ 0,  0,  1,  1],
       [ 0, -1, -1, -2]])>

指数运算**

>>> a = tf.constant([0,1,2,3]) 
>>> b = 2
>>> a**b
<tf.Tensor: id=75, shape=(4,), dtype=int32, numpy=array([0, 1, 4, 9])>

8.5.1.3 广播机制

参与运算的张量形状不同，如何计算？

a是一维张量，b是二维张量，a+b即将a依次和b中的每一行相加，这就是广播机制，即a被广播到b中每一行上
要求两个张量的最后一个维度必须相等

一维张量+二维张量

>>> import tensorflow as tf

>>> a = tf.constant([1,2,3]) 
>>> a
<tf.Tensor: id=76, shape=(3,), dtype=int32, numpy=array([1, 2, 3])>

>>> b = tf.constant(np.arange(12).reshape(4,3)) 
>>> b
<tf.Tensor: id=77, shape=(4, 3), dtype=int32, numpy=
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])>

>>> a+b
<tf.Tensor: id=78, shape=(4, 3), dtype=int32, numpy=
array([[ 1,  3,  5],
       [ 4,  6,  8],
       [ 7,  9, 11],
       [10, 12, 14]])>

>>> c = tf.constant(np.arange(12).reshape(2,2,3)) 
>>> c
<tf.Tensor: id=79, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])>

>>> a+c
<tf.Tensor: id=80, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 1,  3,  5],
        [ 4,  6,  8]],

       [[ 7,  9, 11],
        [10, 12, 14]]])>

>>> a*c
<tf.Tensor: id=81, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 0,  2,  6],
        [ 3,  8, 15]],

       [[ 6, 14, 24],
        [ 9, 20, 33]]])>

当张量和一个数字进行运算时，会将这个数字值广播到张量的各个元素

8.5.1.4 张量和Numpy数组之间的相互转换

Numpy数组转化为张量：tf.constant()；tf.convert_to_tensor
张量转换为Numpy数组：Tensor.numpy()

8.5.1.4.1 当张量和Numpy数组共同参与运算时

执行Tensorflow操作，那么TensorFlow将自动的把Numpy数组转换为张量
执行Numpy操作，那么Numpy将自动的张量转换为Numpy数组，在进行运算
只要操作数中有一个Tensor对象，就把所有的操作数都转换为张量，然后再进行运算。

>>> import tensorflow as tf
>>> import numpy as np

>>> nd = np.ones([2,2]) 
>>> t = tf.multiply(nd,36) 
>>> t
<tf.Tensor: id=84, shape=(2, 2), dtype=float64, numpy=
array([[36., 36.],
       [36., 36.]])>

>>> np.add(nd,t) 
array([[37., 37.],
       [37., 37.]])

8.5.2 张量运算（2）

8.5.2.1 张量乘法

8.5.2.1.1 向量乘法

元素乘法：tf.multiply()，*运算符；对应元素相等
向量乘法：tf.matmul()，@运算符矩阵乘法

8.5.2.1.1.1 二维向量乘法

>>> import tensorflow as tf
>>> print("TensorFlow version: ",tf.__version__) 
TensorFlow version:  2.0.0
# 先创建两个张量a和b
>>> import numpy as np
>>> a = tf.constant(np.arange(6),shape=(2,3)) 
>>> a
<tf.Tensor: id=87, shape=(2, 3), dtype=int32, numpy=
array([[0, 1, 2],
       [3, 4, 5]])>
       
>>> b = tf.constant(np.arange(6),shape=(3,2)) 
>>> b
<tf.Tensor: id=90, shape=(3, 2), dtype=int32, numpy=
array([[0, 1],
       [2, 3],
       [4, 5]])>

>>> tf.matmul(a,b) 
<tf.Tensor: id=91, shape=(2, 2), dtype=int32, numpy=
array([[10, 13],
       [28, 40]])>
>>> a@b
<tf.Tensor: id=92, shape=(2, 2), dtype=int32, numpy=
array([[10, 13],
       [28, 40]])>

8.5.2.1.1.2 多维向量乘法—三维张量×二维张量

会采用广播机制，将b张量和a张量中最后两维依次相乘计算

>>> import tensorflow as tf
>>> import numpy as np

>>> a = tf.random.normal([2,3,5]) 
>>> b = tf.random.normal([5,4]) 
>>> tf.matmul(a,b) 
<tf.Tensor: id=105, shape=(2, 3, 4), dtype=float32, numpy=
array([[[ 0.66367817, -1.8407946 , -5.1079473 ,  1.115813  ],
        [-1.0903633 ,  2.9237514 ,  1.0623133 ,  0.25142556],
        [ 0.19272862, -1.9880747 , -7.018299  ,  1.1446145 ]],

       [[ 1.5938025 , -3.0838017 ,  2.6247544 , -2.5586433 ],
        [-1.4260333 ,  0.4984906 , -0.7839435 ,  0.8160777 ],
        [-0.18613842,  2.533684  ,  3.4380057 ,  0.7654592 ]]],
      dtype=float32)>

8.5.2.1.1.3 多维向量乘法—三维张量×三维张量

当张量a和b张量的维度都大于2时，Tensorflow会选择a和b的最后两位进行矩阵相乘，前面的维度保持形状不变

>>> import tensorflow as tf
>>> import numpy as np

>>> a = tf.constant(np.arange(12),shape=(2,2,3)) 
>>> a
<tf.Tensor: id=108, shape=(2, 2, 3), dtype=int32, 
numpy=
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])>
>>> b = tf.constant(np.arange(12),shape=(2,3,2)) 
>>> b
<tf.Tensor: id=111, shape=(2, 3, 2), dtype=int32, 
numpy=
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]]])>

>>> tf.matmul(a,b) 
<tf.Tensor: id=112, shape=(2, 2, 2), dtype=int32, 
numpy=
array([[[ 10,  13],
        [ 28,  40]],

       [[172, 193],
         [244, 274]]])>

8.5.2.1.1.4 多维向量乘法—四维张量×四维张量

同样也是最后两维进行运算

>>> import tensorflow as tf
>>> import numpy as np
>>> a = tf.constant(np.arange(24),shape=(2,2,2,3))
>>> a
<tf.Tensor: id=115, shape=(2, 2, 2, 3), 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]]]])>
>>> b = tf.constant(np.arange(24),shape=(2,2,3,2))
>>> b
<tf.Tensor: id=118, shape=(2, 2, 3, 2), 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]]]])>

>>> tf.matmul(a,b) 
<tf.Tensor: id=119, shape=(2, 2, 2, 2), dtype=int32, numpy=
array([[[[  10,   13],
         [  28,   40]],

        [[ 172,  193],
         [ 244,  274]]],


       [[[ 550,  589],
         [ 676,  724]],

        [[1144, 1201],
         [1324, 1390]]]])>

8.5.2.2 数据统计

数据统计：求张量在某个维度上、或者全局的统计值
reduce表示降维的意思

函数	描述
tf.reduce_sum(input_tensor,axis)	求和
tf.reduce_mean(input_tensor,axis)	求平均值
tf.reduce_max(input_tensor,axis)	求最大值
tf.reduce_min(input_tensor,axis)	求最小值

axis：表示指明在哪个维度上求统计值；不指明的话就是求全局

8.5.2.2.1求和函数–tf.reduce_sum()

>>> import tensorflow as tf
>>> a = tf.constant([[1,5,3],[4,2,6]])            
>>> a
<tf.Tensor: id=120, shape=(2, 3), dtype=int32, numpy=
array([[1, 5, 3],
       [4, 2, 6]])>
>>> tf.reduce_sum(a,axis=0) 
<tf.Tensor: id=122, shape=(3,), dtype=int32, numpy=array([5, 7, 9])>
>>> tf.reduce_sum(a,axis=1) 
<tf.Tensor: id=124, shape=(2,), dtype=int32, numpy=array([ 9, 12])>
>>> tf.reduce_sum(a)        
<tf.Tensor: id=126, shape=(), dtype=int32, numpy=21>

8.5.2.2.2求均值函数–tf.reduce_mean()

如果张量是整型，求均值也是整型，会出现只能得到均值整数部分，此时可以使用tf.cast()将张量类型转化为浮点型
如果张量是32位浮点型，得到的均值就是完整的

>>> import tensorflow as tf
>>> a = tf.constant([[1,5,3],[4,2,6]])            
>>> a
<tf.Tensor: id=120, shape=(2, 3), dtype=int32, numpy=
array([[1, 5, 3],
       [4, 2, 6]])>
>>> tf.reduce_mean(a,axis=0) # 这里有所不对，因为a张量是32位整型，所以求出的均值也是32位整型，不能显示小数
<tf.Tensor: id=128, shape=(3,), dtype=int32, numpy=array([2, 3, 4])>


>>> a = tf.constant([[1.,5.,3.],[4.,2.,6.]]) 
>>> tf.reduce_mean(a,axis=0)
<tf.Tensor: id=131, shape=(3,), dtype=float32, numpy=array([2.5, 3.5, 4.5], dtype=float32)>


>>> a = tf.constant([[1,5,3],[4,2,6]])       
>>> tf.reduce_mean(tf.cast(a,tf.float32),axis=0) 
<tf.Tensor: id=135, shape=(3,), dtype=float32, numpy=array([2.5, 3.5, 4.5], dtype=float32)>

8.5.2.2.3 求最大值、最小值函数–tf.reduce_max()、tf.reduce_min()

>>> import tensorflow as tf
>>> a = tf.constant([[1,5,3],[4,2,6]]) 
     
>>> tf.reduce_max(a,axis=0) 
<tf.Tensor: id=138, shape=(3,), dtype=int32, numpy=array([4, 5, 6])>

>>> tf.reduce_max(a,axis=1)  
<tf.Tensor: id=140, shape=(2,), dtype=int32, numpy=array([5, 6])>

>>> tf.reduce_max(a)        
<tf.Tensor: id=142, shape=(), dtype=int32, numpy=6>

8.5.2.2.4 求最值得索引–tf.argmax()、tf.argmin()

这个函数在没有指定axis时，默认为0，与reduce不同

>>> import tensorflow as tf
>>> a = tf.constant([[1,5,3],[4,2,6]]) 

>>> tf.argmax(a,axis=0) 
<tf.Tensor: id=144, shape=(3,), dtype=int64, numpy=array([1, 0, 1], dtype=int64)>

>>> tf.argmax(a,axis=1) 
<tf.Tensor: id=146, shape=(2,), dtype=int64, numpy=array([1, 2], dtype=int64)>

>>> tf.argmax(a)        
<tf.Tensor: id=148, shape=(3,), dtype=int64, numpy=array([1, 0, 1], dtype=int64)>

8.6 使用GPU

8.6.1 导入Tensroflow，查看版本

>>> import tensorflow as tf
>>> print(tf.__version__)
2.0.0

8.6.2 查看当前主机上得运算设备

>>> gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
>>> cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
>>> print(gpus)
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
>>> print(cpus)
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

8.6.3 指定在CPU上执行

>>> with tf.device('/cpu:0'):
...     cpu_a = tf.random.normal([10000,1000])
...     cpu_b = tf.random.normal([1000,2000])
...     cpu_c = tf.matmul(cpu_a,cpu_b)
...

>>> print("cpu_a:",cpu_a.device)
cpu_a: /job:localhost/replica:0/task:0/device:CPU:0
>>> print("cpu_b:",cpu_b.device)
cpu_b: /job:localhost/replica:0/task:0/device:CPU:0
>>> print("cpu_c:",cpu_c.device)
cpu_c: /job:localhost/replica:0/task:0/device:CPU:0

8.6.4 指定在GPU上执行

8.6.4.1 查看GPU是否可用

>>> tf.test.is_gpu_available()
True

8.6.4.2 指定在GPU上执行随机数操作

>>> with tf.device('/gpu:0'):
...     gpu_a = tf.random.normal([10000,1000])
...     gpu_b = tf.random.normal([1000,2000])
...     gpu_c = tf.matmul(gpu_a,gpu_b)
... 
>>> print("gpu_a:",gpu_a.device)
gpu_a: /job:localhost/replica:0/task:0/device:GPU:0
>>> print("gpu_b:",gpu_b.device)
gpu_b: /job:localhost/replica:0/task:0/device:GPU:0
>>> print("gpu_c:",gpu_c.device)
gpu_c: /job:localhost/replica:0/task:0/device:GPU:0

下面给出上述所有的代码：


# 1 导入Tensroflow，查看版本
import tensorflow as tf
print(tf.__version__)

# 2 查看当前主机上得运算设备
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus)
print(cpus)

# 3 指定在CPU上执行
with tf.device('/cpu:0'):
    cpu_a = tf.random.normal([10000,1000])
    cpu_b = tf.random.normal([1000,2000])
    cpu_c = tf.matmul(cpu_a,cpu_b)

print("cpu_a:",cpu_a.device)
print("cpu_b:",cpu_b.device)
print("cpu_c:",cpu_c.device)

# 4 指定在GPU上执行
# 4.1 查看GPU是否可用
tf.test.is_gpu_available()

# 4.2 指定在GPU上执行随机数操作
with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([10000,1000])
    gpu_b = tf.random.normal([1000,2000])
    gpu_c = tf.matmul(gpu_a,gpu_b)

print("gpu_a:",gpu_a.device)
print("gpu_b:",gpu_b.device)
print("gpu_c:",gpu_c.device)

8.6.5 创建函数cpu_run()和gpu_run()

在一个.py文件中保存

# 1 导入Tensroflow，查看版本
import tensorflow as tf


# 5 创建函数cpu_run()和gpu_run()
# 函数cpu_run()
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000,1000])
        cpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(cpu_a,cpu_b)
    return c
# 函数gpu_run()
def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000,1000])
        gpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(gpu_a,gpu_b)
    return c

8.6.6 比较在CPU和GPU上执行乘法操作的时间


# 1 导入Tensroflow，查看版本
import tensorflow as tf
# 动态分配显存
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
tf.config.experimental.set_memory_growth(gpus[0], True)

# 5 创建函数cpu_run()和gpu_run()
# 函数cpu_run()
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000,1000])
        cpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(cpu_a,cpu_b)
    return c
# 函数gpu_run()
def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000,1000])
        gpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(gpu_a,gpu_b)
    return c

# 6 比较在CPU和GPU上执行乘法操作的时间
# 6.1 导入timeit模块
import timeit

# 6.2 使用timeit工具来统计执行10次的时间
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)
print("cpu:",cpu_time," gpu:",gpu_time)

输出结果为：

cpu: 2.2233819  gpu: 0.24505219999999994

修改代码执行100次，输出结果为：

cpu: 17.637937400000002  gpu: 0.2524400999999976

在Tensorflow中，张量可以运行在CPU、GPU或TPU中
一般无需指定设备，Tensorflow会自动调用可用资源进行计算，决定执行操作的设备，并在需要时将操作复制到该设备

【参考文献】：神经网络与深度学习——TensorFlow实践

YoLo-8

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
Lesson8---TensorFlow基础

TensorFlow基础
复制链接

扫一扫

专栏目录

Lesson8---TensorFlow基础

8.1 TensorFlow2.0特性

8.1.1 TensorFlow的发展历程

8.1.2 Tensorflow2.0的新特性

8.1.3 TensorFlow框架特性

8.2 创建张量

8.2.1 创建张量（1）

8.2.1.1 更新tensorflow

8.2.1.2 对比列表、ndarray数组和张量

8.2.1.3 张量（Tensor）

8.2.2 创建张量（2）

8.2.2.1 创建特殊张量

8.2.2.2 创建序列–tf.range()函数

8.2.2.3 小结-创建张量

8.2.2.4 Tensor对象的属性-ndim、shape、dtype

8.2.2.5 张量和Numpy数组

8.3 维度变换

8.3.1 理解张量的存储和视图

8.3.2 改变张量的形状

8.3.3 多维张量的轴：张量的维度

8.3.3.1 增加和删除维度

8.3.3.2 交换维度

8.3.3.3 拼接和分割张量

8.3.3.4 堆叠和分解张量

8.4 部分采样

8.4.1 索引和切片

8.4.1.1 索引

8.4.1.2 切片

8.4.2 数据提取

8.4.2.1 tf.gather()提取函数

8.4.2.2 tf.gather_nd()同时多个维度

8.5 张量运算

8.5.1 张量运算（1）

8.5.1.1 基本数学运算

8.5.1.2 重载运算符

8.5.1.3 广播机制

8.5.1.4 张量和Numpy数组之间的相互转换

8.5.2 张量运算（2）

8.5.2.1 张量乘法

8.5.2.2 数据统计

8.6 使用GPU

8.6.1 导入Tensroflow，查看版本

8.6.2 查看当前主机上得运算设备

8.6.3 指定在CPU上执行

8.6.4 指定在GPU上执行

8.6.4.1 查看GPU是否可用

8.6.4.2 指定在GPU上执行随机数操作

8.6.5 创建函数cpu_run()和gpu_run()

8.6.6 比较在CPU和GPU上执行乘法操作的时间

“相关推荐”对你有帮助么？