TensorFlow：张量的相关属性和创建方式

一、创建张量

1. 从Numpy，List 对象创建

Numpy Array 数组和Python List 是Python 程序中间非常重要的数据载体容器，很多数
据都是通过Python 语言将数据加载至Array 或者List 容器，再转换到Tensor 类型，通过
TensorFlow 运算处理后导出到Array 或者List 容器，方便其他模块调用。

通过 tf.convert_to_tensor 可以创建新Tensor，并将保存在Python List 对象或者Numpy Array 对象中的数据导入到新Tensor 中：


需要注意的是，Numpy 中浮点数数组默认使用64-Bit 精度保存数据，转换到Tensor 类型时精度为tf.float64，可以在需要的时候转换为tf.float32 类型。

实际上，tf.constant()和tf.convert_to_tensor()都能够自动的把Numpy 数组或者Python List 数据类型转化为Tensor 类型，这两个API 命名来自TensorFlow 1.x 的命名习惯，在 TensorFlow 2 中函数的名字并不是很贴切，使用其一即可

2. 创建全0，全1张量

通过tf.zeros()和tf.ones()即可创建任意形状全0 或全1 的张量。例如，创建为0 和为1 的标量张量：

创建全0和全1的向量

创建全0的矩阵：

通过tf.zeros_like, tf.ones_like 可以方便地新建与某个张量shape 一致，内容全0 或全1的张量。例如，创建与张量a 形状一样的全0 张量：

二、创建自定义数值张量

除了初始化为全0，或全1 的张量之外，有时也需要全部初始化为某个自定义数值的
张量，比如将张量的数值全部初始化为-1 等。

通过 tf.fill(shape, value)可以创建全为自定义数值value 的张量。
例如，创建元素为-1的标量：

三、创建已知分布的张量

1. 创建正态分布

通过 tf.random.normal(shape, mean=0.0, stddev=1.0)可以创建形状为shape，均值为mean，标准差为stddev 的正态分布𝒩(𝑚𝑒𝑎𝑛, 𝑠𝑡𝑑𝑑𝑒𝑣2)。

例如，创建均值为0，标准差为1的正太分布：

创建均值为1，标准差为2 的正太分布：

2. 创建均匀分布

通过tf.random.uniform(shape, minval=0, maxval=None, dtype=tf.float32)可以创建采样自
[𝑚𝑖𝑛𝑣𝑎𝑙, 𝑚𝑎𝑥𝑣𝑎𝑙]区间的均匀分布的张量。

例如创建采样自区间[0,1]，shape 为[2,2]的矩阵：

创建采样自区间[0,10],shape 为 [2,2]的矩阵：

如果需要均匀采样整形类型的数据，必须指定采样区间的最大值maxval 参数，同时制定数据类型为tf.int*型：

四、创建序列

在循环计算或者对张量进行索引时，经常需要创建一段连续的整形序列，可以通过
tf.range()函数实现。
tf.range(limit, delta=1)可以创建[0, 𝑙𝑖𝑚𝑖𝑡)之间，步长为delta 的整形序列，不包含limit 本身。

例如，创建0~9，步长为1 的整形序列：

创建0~9，步长为2 的整形序列：

通过tf.range(start, limit, delta=1)可以创建[𝑠𝑡𝑎𝑟𝑡, 𝑙𝑖𝑚𝑖𝑡)，步长为delta 的序列，不包含limit本身：