初识tensorflow(2.0)+ 创建tensor + 切片和索引

为什么要使用tensorflow??

• GPU加速
• 自动求导
• 神经网络API
  

创建Tensor

import numpy as np
import tensorflow as tf


# 通过numpy新建一个tensor
print(tf.convert_to_tensor(np.ones([2,3])))
'''
tf.Tensor(
[[1. 1. 1.]
 [1. 1. 1.]], shape=(2, 3), dtype=float64)
'''
print(tf.convert_to_tensor(np.zeros([2,3])))
'''
tf.Tensor(
[[0. 0. 0.]
 [0. 0. 0.]], shape=(2, 3), dtype=float64)
'''



# 通过list新建一个tensor
print(tf.convert_to_tensor([1, 2]))
'''
tf.Tensor([1 2], shape=(2,), dtype=int32)
'''
print(tf.convert_to_tensor([1,2.]))
'''有浮点型的会自动升级成浮点型
f.Tensor([1. 2.], shape=(2,), dtype=float32)
'''
print(tf.convert_to_tensor([[1],[2.]]))
'''
tf.Tensor(
[[1.]
 [2.]], shape=(2, 1), dtype=float32)
'''



#通过zeros新建tensor  #注意区别 传入的是shape
print(tf.zeros([]))
'''
tf.Tensor(0.0, shape=(), dtype=float32)
'''
print(tf.zeros([1]))
'''
tf.Tensor([0.], shape=(1,), dtype=float32)
'''
print(tf.zeros([2, 2]))
'''
tf.Tensor(
[[0. 0.]
 [0. 0.]], shape=(2, 2), dtype=float32)
'''



#补充：zeros_like
a = tf.zeros([2,3,3])
print(tf.zeros_like(a))
print(tf.zeros(a.shape))
''' 通过输出结果，容易知道zeros_like(a) == zeros(a.shape)
tf.Tensor(
[[[0. 0. 0.]
  [0. 0. 0.]
  [0. 0. 0.]]

 [[0. 0. 0.]
  [0. 0. 0.]
  [0. 0. 0.]]], shape=(2, 3, 3), dtype=float32)
'''


# ones 、 zeros 、fill 传入的都是形状 ,
# 但是fill有两个参数，fill(shape,fill_number)


#nomal
'''
shape: 输出张量的形状，必选
mean: 正态分布的均值，默认为0
stddev: 正态分布的标准差，默认为1.0
'''
print(tf.random.normal([2, 2]))
'''两行两列
tf.Tensor(
[[-0.04308414 -0.12444644]
 [ 2.297514    0.08265623]], shape=(2, 2), dtype=float32)
'''
print(tf.random.normal([2, 2], mean=1, stddev=1))
'''
tf.Tensor(
[[ 0.5382552  -0.78469336]
 [ 1.4849964   1.3553046 ]], shape=(2, 2), dtype=float32)
'''
print(tf.random.truncated_normal([2,2],mean=0,stddev=1))
'''
tf.Tensor(
[[-0.9349827   0.02447166]
 [ 0.0598432   0.24900012]], shape=(2, 2), dtype=float32)
'''

#uniform
'''
默认是在 0 到 1 之间产生随机数，
也可以通过 minval 和 maxval 指定上下界
产生的值是均匀分布的
'''
print(tf.random.uniform([2, 2], minval=0, maxval=1))
'''
tf.Tensor(
[[0.7684654  0.3918556 ]
 [0.13457572 0.8725331 ]], shape=(2, 2), dtype=float32)
'''
print(tf.random.uniform([2, 2], minval=0, maxval=100))
'''
tf.Tensor(
[[0.7684654  0.3918556 ]
 [0.13457572 0.8725331 ]], shape=(2, 2), dtype=float32)
'''

# 例子 ：0-9打散  ??? 没看懂
idx = tf.range(10)
idx = tf.random.shuffle(idx)
a = tf.random.normal([10,784])
b = tf.random.uniform([10],maxval=10,dtype=tf.int32)
tf.gather(a,idx)
tf.gather(b,idx)


#通过constant新建tensor
print(tf.constant(1))
'''
tf.Tensor(1, shape=(), dtype=int32)
'''
print(tf.constant(1.))
'''
tf.Tensor(1.0, shape=(), dtype=float32)
'''
print(tf.constant([1,2.]))
'''
tf.Tensor([1. 2.], shape=(2,), dtype=float32)
'''
# print(tf.constant([1,2.],[3]))#报错

tensor的索引和切片

• 按下标取
  
• 按numpy方式的下标取法
  
• start:end 使用冒号取（左闭右开）

一维

多维度

多维度进阶

• 省略号

为什么要使用省略号？
如上图所示，a[:,:,:,:,0]看起来特别不好看，直接使用省略号，使得代码更简洁好看。

• tensorflow张量索引

gather （a.shape : [4, 35, 8])
该函数的重要参数：
params, 传入的tensor
indices, 指定的索引
axis=0 指定轴

gather_n （可以写多个同级索引，用逗号隔开）
该函数的重要参数：
params, 传入的tensor
indices 指定de索引

boolean_mask
该函数的重要参数：
params, 传入的tensor
mask
axis 维度