TensorFlow2.0:创建tensor

最新推荐文章于 2022-04-06 12:50:38 发布
最新推荐文章于 2022-04-06 12:50:38 发布
阅读量234 收藏
点赞数
分类专栏： tensorflow2.0
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/meijie2018_1/article/details/99289674
版权

**

一 从numpy list中得到tensor

**
—tf.convert_to_tensor()

In [1]: import tensorflow as tf                                                 

In [2]: import numpy as np                                                      

In [3]: tf.convert_to_tensor(np.ones([2,3])) 
Out[3]: 
<tf.Tensor: id=0, shape=(2, 3), dtype=float64, numpy=
array([[1., 1., 1.],
       [1., 1., 1.]])>

In [4]: tf.convert_to_tensor(np.zeros([2,3]))                                   
Out[4]: 
<tf.Tensor: id=2, shape=(2, 3), dtype=float64, numpy=
array([[0., 0., 0.],
       [0., 0., 0.]])>

In [5]: tf.convert_to_tensor([1,2])                                             
Out[5]: <tf.Tensor: id=4, shape=(2,), dtype=int32, numpy=array([1, 2], dtype=int32)>

In [6]: tf.convert_to_tensor([1,2.])                                            
Out[6]: <tf.Tensor: id=6, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

In [7]: tf.convert_to_tensor([[1],[2.]])                                        
Out[7]: 
<tf.Tensor: id=8, shape=(2, 1), dtype=float32, numpy=
array([[1.],
       [2.]], dtype=float32)>

**

二 tf.zeros( )和tf.ones( )函数创建

**
–tf.zeros( )#括号内填shape
–tf.zeros_like(a)#便捷函数,生成tensor的shape与a一致 = tf.zeros(a.shape)
–tf.ones( )#括号内填shape
–tf.ones_like(a)#便捷函数,生成tensor的shape与a一致 = tf.ones(a.shape)

In [8]: tf.zeros([]) #标量,0                                                           
Out[8]: <tf.Tensor: id=10, shape=(), dtype=float32, numpy=0.0>

In [9]: tf.zeros([1]) #shape为1                                                          
Out[9]: <tf.Tensor: id=14, shape=(1,), dtype=float32, numpy=array([0.], dtype=float32)>

In [10]: tf.zeros([2,2]) #shape为2*2                                                       
Out[10]: 
<tf.Tensor: id=18, shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
       [0., 0.]], dtype=float32)>

In [11]: tf.zeros([2,3,3])  #shape为2*3*3                                                    
Out[11]: 
<tf.Tensor: id=22, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]], dtype=float32)>

In [12]: a = tf.zeros([2,3,3])                                                  

In [13]: tf.zeros_like(a)                                                       
Out[13]: 
<tf.Tensor: id=27, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]], dtype=float32)>

In [14]: tf.zeros(a.shape)                                                      
Out[14]: 
<tf.Tensor: id=31, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]], dtype=float32)>

In [15]: tf.ones([])    #标量                                                        
Out[15]: <tf.Tensor: id=33, shape=(), dtype=float32, numpy=1.0>

In [16]: tf.ones(1)                                                             
Out[16]: <tf.Tensor: id=37, shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>

In [17]: tf.ones([2])                                                           
Out[17]: <tf.Tensor: id=41, shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

In [18]: tf.ones([2,3])                                                         
Out[18]: 
<tf.Tensor: id=45, shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
       [1., 1., 1.]], dtype=float32)>

In [19]: tf.ones_like(a)                                                        
Out[19]: 
<tf.Tensor: id=49, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]], dtype=float32)>

In [20]: tf.ones(a.shape)                                                       
Out[20]: 
<tf.Tensor: id=53, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]], dtype=float32)>

**

三 tf.fill( )函数创建

**
–tf.fill( )函数

In [1]: import tensorflow as tf                                                 

In [2]: import numpy as np                                                      

In [3]: tf.fill([2,2],0)#shape为2*2,全部填充为0,int32类型                       
Out[3]: 
<tf.Tensor: id=2, shape=(2, 2), dtype=int32, numpy=
array([[0, 0],
       [0, 0]], dtype=int32)>

In [4]: tf.fill([2,2],0.)#shape为2*2,全部填充为0,float32类型                    
Out[4]: 
<tf.Tensor: id=6, shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
       [0., 0.]], dtype=float32)>

In [5]: tf.fill([2,2],1)#shape为2*2,全部填充为1,int32类型                       
Out[5]: 
<tf.Tensor: id=10, shape=(2, 2), dtype=int32, numpy=
array([[1, 1],
       [1, 1]], dtype=int32)>

In [6]: tf.fill([2,2],9)#shape为2*2,全部填充为9,int32类型                       
Out[6]: 
<tf.Tensor: id=14, shape=(2, 2), dtype=int32, numpy=
array([[9, 9],
       [9, 9]], dtype=int32)>

**

四 随机初始化方式创建

**
–tf.random.normal([2,2], mean=0,stddev=1)#正常分布
–tf.random.truncated_normal([2,2], mean=0,stddev=1)#截断的正态分布
–tf.random.uniform([2,2],minval=0,maxval=1)#从[minval,maxval]中均匀采样回来的数据

In [7]: tf.random.normal([2,2],mean=1,stddev=1)#shape为2*2,正态分布,其均值为1,方
   ...: 差也为1                                                                 
Out[7]: 
<tf.Tensor: id=21, shape=(2, 2), dtype=float32, numpy=
array([[ 0.88008857,  1.5143192 ],
       [ 1.3640549 , -0.5572401 ]], dtype=float32)>

In [8]: tf.random.normal([2,2])#shape为2*2,标准正态分布,均为值0,方差为1         
Out[8]: 
<tf.Tensor: id=28, shape=(2, 2), dtype=float32, numpy=
array([[ 1.1111085, -1.0393752],
       [-0.5177935, -1.1112201]], dtype=float32)>

In [9]: tf.random.truncated_normal([2,2],mean=0,stddev=1)#截断的正态分布        
Out[9]: 
<tf.Tensor: id=35, shape=(2, 2), dtype=float32, numpy=
array([[-0.33920026,  0.10890114],
       [-0.06457798,  0.19805565]], dtype=float32)>

In [10]: tf.random.uniform([2,2],minval=0,maxval=1)                             
Out[10]: 
<tf.Tensor: id=43, shape=(2, 2), dtype=float32, numpy=
array([[0.78233325, 0.7201489 ],
       [0.03125906, 0.5551493 ]], dtype=float32)>

In [11]: tf.random.uniform([2,2],minval=0,maxval=100)                           
Out[11]: 
<tf.Tensor: id=51, shape=(2, 2), dtype=float32, numpy=
array([[38.83101  ,  2.0980835],
       [22.500038 , 51.655483 ]], dtype=float32)>

In [12]: tf.random.uniform([2,2],minval=-10,maxval=10,dtype=tf.int32)           
Out[12]: 
<tf.Tensor: id=56, shape=(2, 2), dtype=int32, numpy=
array([[-3,  2],
       [ 8, -5]], dtype=int32)>

In [13]: tf.random.uniform([2,2],minval=-10,maxval=10,dtype=tf.float32)         
Out[13]: 
<tf.Tensor: id=64, shape=(2, 2), dtype=float32, numpy=
array([[ 4.1876316, -4.222634 ],
       [-5.8720756, -4.5957875]], dtype=float32)>

In [1]: import tensorflow as tf                                                 

In [2]: import numpy as np                                                      

In [3]: idx = tf.range(10)                                                      

In [4]: idx = tf.random.shuffle(idx)#对idx进行随机打散                          

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

In [7]: a = tf.random.normal([10,784])                                          
In [8]: a = tf.gather(a,idx)#利用idx索引对a进行随机打散                         

In [9]: b = tf.random.uniform([10],maxval=10,dtype=tf.int32)                    
In [10]: b                                                                      
Out[10]: <tf.Tensor: id=17, shape=(10,), dtype=int32, numpy=array([9, 7, 9, 1, 3, 0, 3, 2, 6, 4], dtype=int32)>
In [11]: b = tf.gather(b,idx)                                                   
In [12]: b                                                                      
Out[12]: <tf.Tensor: id=20, shape=(10,), dtype=int32, numpy=array([0, 3, 4, 1, 2, 7, 9, 6, 9, 3], dtype=int32)>
梅文化_2019
关注
专栏目录
TensorFlow2.0:张量的合并与分割实例
09-18
在TensorFlow 2.0中，处理张量的合并与分割是常见的操作，这对于构建复杂的神经网络模型至关重要。本文将详细介绍三个主要的张量操作函数：`tf.concat()`、`tf.stack()` 和 `tf.unstack()`，并通过实例来解释它们的...
【TensorFlow2.0】(2) 创建tensor的方法
博观而约取，厚积而薄发
11-23 4574
各位同学好，今天和大家分享一下TensorFlow2.0中的tensor变量的创建方法。内容有： (1) 通过numpy和list创建tensor；(2) 创建全部为某个值的tensor；(3) 随机化创建：正态分布、均匀分布；(4) 重新洗牌；(5) tf.constant() 那我们开始吧。 1. 通过numpy和list创建tensor 方法： tf.convert_to_tensor(value, dtype=None) np.ones([2,3]) 使用numpy创建2行3列全为1的
tensorflow2.0创建tensor
葛明的博客
04-02 2659
需要注意的是： Convert_to_tensor 的参数是data 即数据本身。 Zeros、ones 的参数是shape，也就是维度。 Zeros_like = zeros(a.shape) ones_like = ones(a.shape) 第一个参数是shape，第二个参数是默认值 Tf.random.normal 正态分布，第一个...
tensorflow 2.0 基础操作 之 tensor 创建（初始化）大全
ZHE
04-13 1万+
3.2 tensor 的创建from numpy or listtf.zerostf.zeros_liketf.onestf.ones_liketf.filltf.random.normaltf.random.truncated_normaltf.random.uniformRandom Permutation from numpy or list tf.convert_to_tensor tf...
tensorflow2.0 基础二 创建tensor数据操作
Alivon的博客
09-23 942
目录方法概要From Numpy , Listtf.zerostf.zeros_liketf.ones & tf.ones_likeFillNormal & Truncated_NormalUniformRandom Permutationtf.constant 方法概要 from numpy , list 从numpy创建，或者直接喂list zeros, ones ...
tensorflow2.0-Tensor创建
桜
02-01 159
constant data = tf.constant([2]) data1 = tf.constant(1) data2 = tf.constant([1,2]) data3 = tf.constant([True,False]) data4 = tf.constant(["T","H","F"]) print (data) print (data1) print (data2) print (data3) print (data4) """ result: tf.Tensor([2], shape=(
日月光华 tensorflow2.0数据集
最新发布
12-15
例如，你可以使用`tf.data.Dataset.from_tensor_slices()`来创建一个数据集，然后通过`map()`函数应用自定义的预处理操作，再用`batch()`进行批量处理。 标签"深度学习 tensorflow"表明这个数据集主要用于深度学习...
日月光华tensorflow2.0实战教程全部课件
12-19
在“日月光华tensorflow2.0实战教程”中，你将深入学习 TensorFlow 2.0 的核心概念和实践技巧。以下是该教程可能涵盖的一些关键知识点： 1. **Eager Execution**： - Eager Execution 是 TensorFlow 2.0 的一个...
Tensorflow：使用Python学习Tensorflow 2.0
02-14
首先，让我们了解TensorFlow的核心概念——张量（Tensor）。张量是TensorFlow中的基本数据结构，可以是标量、向量、矩阵甚至是多维数组。在TensorFlow中，所有的计算都是通过对张量的操作来完成的。例如，加法、乘法...
tensorflow 2.0模式下训练的模型转成 tf1.x 版本的pb模型实例
12-17
3. **定义模型**：根据TensorFlow 2.0中模型的定义创建相同的模型结构。注意，`training=False`参数用于确保模型在预测模式下运行。 ```python inputs = tf.keras.Input(shape=(224, 224, 3), name='modelInput') ...
tensorflow2.0 创建张量
克豪的博客
09-02 1103
预备工作 在使用tensorflow之前需要先安装tensorflow，然后检查是否安装成功 运行下面的代码 import tensorflow as tf print("tensorflow-version",tf.__version__) 显示tensorflow的版本 tensorflow-version 2.1.0 tensorflow默认为EagerExcution模式，如果运行tensorflow1版本的程序会报错，需要切换模式 查看当前运行模式 print("eager executio
深度学习_04_1_TensorFlow2基础_Tensor数据类型&创建Tensor
小明2766的博客
02-26 557
04_1_TensorFlow2基础_Tensor数据类型&创建Tensor Tensor数据类型 一些概念 Data Container（数据载体） list 优点：可以添加任何类型的数据 np.array tf.Tensor 和numpy类似，这是更适合GPU运算。 What’s Tensor? scalar（标量）：1.1 dimension = 0 vector（向量）：[1.1], [1.1,2.2, …] dimension = 1 matrix（矩阵）：[
tensorflow2权重如何修改_高效的TensorFlow 2.0（tensorflow2官方教程翻译）
weixin_28880179的博客
01-26 589
最新版本：http://www.mashangxue123.com/tensorflow/tf2-guide-effective_tf2英文版本：https://tensorflow.google.cn/alpha/guide/effective_tf2翻译建议PR：https://github.com/mashangxue/tensorflow2-zh/edit/master/r2/guide/...
TensorFlow2.1创建Tensor
进击的Explorer
03-20 1077
通过Numpy和list来创建Tensor 首先导入库： import tensorflow as tf import numpy as np 直接通过convert_to_tensor来创建 通过numpy来传入参数 tf.convert_to_tensor(np.ones([2, 3])) Out[85]: <tf.Tensor: shape=(2, 3), dtype=float...
Tensorflow由于版本问题出现的几种错误及解决办法
热门推荐
Tsingzao的博客
12-28 4万+
1、AttributeError: 'module' object has no attribute 'rnn_cell' S：将tf.nn.rnn_cell替换为tf.contrib.rnn 2、TypeError: Expected int32, got list containing Tensors of type '_Message' instead. S：由于tf.conca...
anaconda下tensorflow安装遇到的问题记录及解决办法
qq_43210957的博客
01-02 3万+
TensorFlow安装遇到的问题 我安装使用的方法是pip命令安装 具体使用的命令如下： pip install --upgrade --ignore-installed tensorflow 这个命令因为是更新的意思，所以你可以反复尝试直至成功。避免了安装到一半没成功再次安装就需要卸载重来的问题。 执行的图如下： 报错的截图如下： 错误有四个，具体为： ERROR: spyder 3.3.6 ...
TensorFlow之张量创建
PeZXO的博客
05-31 7144
张量 tensorflow中的基本数据是tensor（张量），可以看作是多维数组或列表类型。 张量的创建 使用tf.constant()创建张量，tf.constant()的语法格式为： tf.constant(value,dtype,shape) value用来指定数据，dtype用来显式地声明数据类型，shape用来指定数据的形状， 例如，要生成一个两行三列全为类型int32的数字2的张量，可以使用以下代码： import tensorflow as tf a = tf.constant(3,dtyp
Tensorflow（二） —— 创建Tensor类型的数据
Cyrus_May的博客
04-06 668
Tensorflow（二） —— 创建Tensor1 创建Tensor的方式2 from numpy、list3 tf.zeros4 tf.zeros_like5 tf.ones 和 tf.ones_like6 Normal(正态分布)7 uniform(均匀分布)8 随机打散（random permutation）9 各种Tensor的典型应用 1 创建Tensor的方式 1、from numpy、list 2、zeros、ones 3、fill 4、random 5、constant 6、Appl
解决问题：Cannot register 2 metrics with the same name: /tensorflow/api/keras/optimizers
lgk1996的博客
12-22 4506
这种问题一般还会以下面的两种形式出现。这个原因的应该是keras与tf.keras混淆产生了冲突。进入Anaconda 查看当前的python环境下keras与tensorflow的版本，发现keras 2.7，tensorflow 2.6. 解决办法：pip install keras==2.6.0 Tensorflow2.6 的发行说明中，Keras 被拆分为单独的 PIP 包（keras），其代码已移至 GitHub 存储库 keras-team/keras。tf.keras 的 API.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值