Tensorflow基础之数据类型|数值精度|创建张量|张量的典型应用

目录

一、数据类型

1、数值类型

2、字符串类型

3、布尔类型

二、数据精度

三、创建张量

1、从数组或列表对象中创建张量

 2、创建全0或全1张量

 3、创建自定义数值张量

 4、创建已知分布张量

5、创建序列

四、张量的典型应用

感谢关注与支持，后续持续更新。

---

一、数据类型

Tensorflow是一个面向深度学习算法的科学计算库，内部数据保存在张量（Tensor）对象上，所有的运算都是基于张量对象进行的。Tensorflow中基础数据类型包括数值类型、字符串类型以及布尔类型。

1、数值类型

（1）标量（Scalar）：单个实数，维度数为0，shape为[]。

（2）向量（Vector）：n个实数的有序集合，维度为1，长度不定，shape为[n]。

（3）矩阵（Matrix）：m行n列实数的有序集合，可根据中括号的层数判断维度，维度数为2，但每个维度长度不定，shape为[m,n]。

（4）张量（Tensor）：所有维度数大于2的数组统称为张量，通常其每个维度有一定的含义。

#我使用的是2.*版本使用兼容版本，导入Tensorflow
import tensorflow.compat.v1 as tf
tf.compat.v1.disable_v2_behavior()
import numpy as np #后面会用

a = 1.2 #Python语言方式创建标量
aa = tf.constant(a)#TF方式创建标量
type(a),type(aa),tf.is_tensor(a),tf.is_tensor(aa) #查看类型及a是否为张量，a回答为False,aa回答为True

#创建一个元素的向量
a = tf.constant([1.2])
a,a.shape

#创建三个元素的向量
a = tf.constant([1,2.,3.])
a,a.shape

#创建2行2列矩阵
a = tf.constant([[1,2],[3,4]])

#创建三维张量
a = tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]])

2、字符串类型

Tensorflow支持字符串(String)类型的数据，但主要以数值类型张量运算为主，故简单描述一下字符串。

#创建字符串
a = tf.constant('Hello,Deep Learning.')

#字符串转化为小写
b = tf.strings.lower(a)
b

3、布尔类型

布尔类型的张量仅需要传入Python语言支持的布尔型数据转换成Tensor即可。

#创建bool类型标量
a = tf.constant(True)

#创建bool类型向量
b = tf.constant([True,False])

b = tf.constant(True)
a is True #判断对象与True是否等价，为True
a == True #数值比较，为True

二、数据精度

对于数值类型的张量，可保存为不同字节长度的精度。显然，位越长精度越高，所占空间也越大。常用的京都类型主要包括int16,int32,int64,float16,float32,float64,且float64即为doube类型。

补充：在Tensorflow中，对于布尔类型，0视为假，非0视为真。

注意：在精度转换时，由高精度转换为低精度张量时，会有数据溢出的隐患。

#读取精度并类型转换，dtype属性可保存张量的精度
a = tf.constant(True)       
print('before:',a.dtype)
if(a.dtype != tf.float32):
    a = tf.cast(a,tf.float32)
print('after:',a.dtype)
#最后成功将a精度由before: <dtype: 'bool'>转换为after: <dtype: 'float32'>

三、创建张量

在Tensorflow中可通过多种方式创建张量。

1、从数组或列表对象中创建张量

Numpy Array数组和Python List列表，有些数据可通过加载至这两个容器中后，再转换为Tensor,这样也方便被其他调用。

#从列表创建张量,这两种方法均可以
tf.convert_to_tensor([1,2.])
tf.constant([1,2.])

#从数组中创建张量
tf.convert_to_tensor(np.array([[1,2.],[3,4]]))

 2、创建全0或全1张量

这是一种常见的初始化手段，主要为tf.zeros()和tf.ones()方法。

#创建大小为0或为1的标量
tf.zeros([]),tf.ones([])

#创建全0和全1的向量
tf.zeros([1]),tf.ones([1])

#创建全0和全1的向量
tf.zeros([1]),tf.ones([1])

#创建全为0的2*4矩阵和全为1的3*2矩阵
tf.zeros([2,4])
tf.ones([3,2])

 3、创建自定义数值张量

由第2点创建全0或全1张量可以引出，非0非1的初始化怎样做呢，这就需要有自定义数值张量的定义了。

tf.fill(shape,value)  #shape为张量形状，value为数值

#创建标量100
tf.fill([],100)

#创建所有元素为100的向量
tf.fill([1],100)

#创建3*3矩阵，且所有元素均为100
tf.fill([3,3],100)

 4、创建已知分布张量

tf.random.normal(shape,mean,stddev) #创建正态分布，shape为形状，mean为均值，stddev为标准差。

tf.random.uniform(shape,minval,maxval,dtype)用于创建均匀分布，dtype为数值精度,[minval,maxval]可表示为一区间。

#创建均值为1，标准差为2的正态分布
tf.random.normal([2,2],mean = 1, stddev = 2)

#创建采样自[0,10)均匀分布的矩阵
tf.random.uniform([2,2],maxval = 10)

5、创建序列

通常在循环计算或对张量索引时，需要创建一段连续的整数序列。

tf.range(limit,delta)          可创建[0,limit),且步长为delta的整数序列。

tf.range(start,limit,delta)  可创建[start,limit),且步长为delta的整数序列。

创建[0,10)的序列，结果为[1,2,3,4,5,6,7,8,9]
tf.range(10)

#创建从[1,10)的步长为2的序列,结果为[1,3,5,7,9]
tf.range(1,10,2)

四、张量的典型应用

1、标量：典型用途就是误差值的表示以及各种测量指标的表示，例如acc,loss等。

2、向量：例如在全连接和卷积神经网络中，偏置张量b就使用向量表示。

3、矩阵：如全连接层的批量输入张量即为矩阵。

感谢关注与支持，后续持续更新。