Tensorflow基础知识之张量操作

什么是张量

TensorFlow中的Tensor表示张量，其实就是多维数组。在Python中，张量通常存储在NunPy数组中，仅作输入输出来使用；在TensorFlow中，所有的运算都是在张量之间进行。

名称	区别
Python列表(list)	元素可使用不同的数据类型，可以嵌套运用；在内存中离散存放，是一个动态的指针数组，读写效率低，占用内存，且不适合做数值计算
NumPy数组(ndarray)	元素数据类型相同，在内存中连续存放，存储空间小，读写速度快
TensorFlow张量(Tensor)	高速运行于GPU和CPU上，支持CPU、嵌入式等多种计算环境，高速的实现神经网络和深度学习的复杂算法

张量概念的引入是为了方便数据输入，例如将字符串文本，图像、视频等数据数字化，以便后续更容易的处理。可以通俗的作如下理解：

阶	数学实例	Pyhton例子
0阶张量	标量	a=512
1阶张量	矢量(大小和方向)	v = [1, 2, 3]
2阶张量	矩阵	n = [ [1, 2, 3], [4, 5, 6], [7, 8, 9] ]
3阶张量		t = [ [ [1], [2], [3] ], [ [4], [5], [6] ], [ [7], [8], [9] ] ]
n阶张量	…	…

张量的基本操作

• tf.constant(value,dtype,shape)函数：创建张量
  其中，value值一般是数字、Python列表和NymPy数组，也可以是布尔型等

• tf.convert_to_tensor()函数：将数组、列表、数字、布尔型、字符串转换为张量。

• 判断张量

  • tf.is_tensor()函数：判断数据对象是否为张量（tf方法）
  • isinstance()函数：判断数据对象是否为张量（Python方法）

• tf.cast(x,dtype)函数：张量数据类型转换

• 张量元素的数据类型

数据类型	说明	数据类型	说明
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.int	64位有符号整数
tf.unit8	8位无符号整数	tf.complex64	复数的实部和虚部分别为32位浮点型
tf.float32	32位浮点数	tf.float64	64位浮点数
tf.string	字符串	tf.bool	布尔型

• 张量相关语法

函数	说明
tf.constant(value,dtype,shape)	创建张量
tf.convert_to_tensor()	转换为张量
tf.zeros(shape,dtype=tf.float32)	创建全0张量
tf.ones(shale,dtype=tf.float32)	创建全1张量
tf.fill(shape,value)	创建元素相同的张量
tf.random.normal()	创建元素值符合正太分布的张量
tf.normal.trunvated_normal(shape,mean,stddev)	创建元素值符合截取正太分布的张量
tf.normal.uniform(shape,minval,maxval,dtype)	创建元素值为整数序列的张量
tf.random.shuffle()	随机打乱
tf.range(start,limit,delta)	range函数创建序列

张量的维度变换

1. 改变张量的形状
   tf.reshape(tensor,shape)函数

tf.reshape(tf.reshape(tf.range(24),[2,3,4]),[4,-1])

表示把0-23这24个数转换成3行4列的二维数组，[4, -1] 表示把二维数组转换成第一维长度为4，-1表示第二维长度根据张量元素总个数和其他维度长度自动推导出来

<tf.Tensor: id=7, 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]])>

此操作只改变张量数组的视图，在NumPy数组中的存储数据并没有改变。

2. 多维张量的轴（维度）

张量中轴的用法和NumPy数组中的一样，如图所示：
轴也可以是负数，表示往后向前索引，例如上图中三维张量的axis的值为也可以是-3，-2，-1

3. 增加维度
   tf.expand_dlim(tensor,axis)，axis表示增加的维度，axis可负

x=tf.expand_dims(tf.constant([1,2]),axis=1)
x

将 shape = (2, ) 的一维张量增加1个维度后 shape = (2, 1)

<tf.Tensor: id=10, shape=(2, 1), dtype=int32, numpy=
array([[1],
       [2]])>

4. 删除维度
   tf.squeeze(tensor,axis)，只能删除长度为1的维度，axis省略时删除所有长度为1的维度

y=tf.squeeze(x,axis=1)
y

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

增加维度和删除维度只改变了张量的视图，不会改变张量的存储。

5. 交换维度
   tf.transpose(a,perm)，perm表示轴的顺序，值空时表示转置。

tf.transpose(tf.reshape(tf.range(24),[2,3,4]),perm=[1,<