Tensorflow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，所有的运算操作(Operation,简称OP)也都是基于张量对象进行的。复杂的神经网络算法本质上就是各种张量相乘、相加等基本运算操作的组合。

TensorFlow中基本数据类型包含数值类型、字符串类型和布尔类型

1.1.1 数值类型

数值类型的张量是TensorFlow的主要数据载体，根据维度数来区分，可分为：
1.标量(Scalar)：单个的实数，如 1.2,3.4 等，维度(Dimension)数为0，shape 为[]；
2.向量(Vector)：单个实数的有序集合，通过中括号包裹，如[1.2]，[1.2,3.4]等，维度数为1，长度不定，shape 为[n]；
3.矩阵(Matrix)：n行m列实数的有序集合，如[[1,2]，[3,4]]，维度数为2，每个维度上的长度不定，shape为[n，m]；
4.张量(Tensor)：所有维度数dim>2的数组统称为张量。张量的每个维度也作轴(Axis)，一般维度代表了具体的物理含义，例如Shape为[2,32,32,3]的张量共有4维，如果表示图片数据，每个维度/轴代表的含义分别是图片数量、图片高度、图片宽度、图片通道数，其中2代表了2张图片，32代表了高、宽均为32，3代表了RGB共3个通道。为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数或形状自行判断。
（1）首先来看标量在TensorFlow中是如何创建的，实现如下：

import tensorflow as tf
a = 1.2
aa = tf.constant(a)   # 创建标量
print(type(a))
print(type(aa))
print(tf.is_tensor(aa))
print(a)
print(aa)

对应的输出结果如下：在这里插入代码片

<class 'float'>
<class 'tensorflow.python.framework.ops.EagerTensor'>
True
1.2
tf.Tensor(1.2, shape=(), dtype=float32)

其中，shape表示张量的形状，dtype表示张量的数值精度
（2）向量在TensorFlow中是如何创建的，实现如下：
与标量不同,向量的定义须通过List容器传给tf.constant()函数。

x = tf.constant([1.2,3.4])
print(x)

对应的输出结果如下：

tf.Tensor([1.2 3.4], shape=(2,), dtype=float32)

（3）矩阵在TensorFlow中是如何创建的，实现如下：

y = tf.constant([[1,2],[3,4]])
print(y)

对应的输出结果如下：

tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)

（4）3维张量在TensorFlow中是如何创建的，实现如下：

z = tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]])
print(z)

对应的输出结果如下：

tf.Tensor(
[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]], shape=(2, 2, 2), dtype=int32)

1.1.2 字符串类型

TensorFlow还支持字符串(String)类型的数据，例如在表示图片数据时，可以先记录图片的路径字符串，再通过预处理函数根据路径读取图片张量。通过传人字符串对象即可创建字符串类型的张量，例如：

a = tf.constant('hello')
print(a)

对应的输出结果如下：

tf.Tensor(b'hello', shape=(), dtype=string)

在 tf. strings 模块中,提供了常见的字符串类型的工具函数,如小写化lower()、拼接join()、长度length()、切分split()等。深度学习算法主要还是以数值类型张量运算为主,字符串类型的数据使用频率较低。

1.1.3 布尔类型

为方便表达比较运算操作的结果，TensorFlow还支持布尔类型(Boolean,简称bool)的张量。布尔类型的张量只需要传人Python语言的布尔类型数据，转换成TensorFlow内部布尔型即可，例如：

a = tf.constant(True)
print(a)

b = tf.constant([True,False])
print(b)

对应的输出结果如下：

tf.Tensor(True, shape=(), dtype=bool)
tf.Tensor([ True False], shape=(2,), dtype=bool)

1.1.4 张量优化

为区分需要计算梯度信息的张量与不需要计算梯度信息的张量，TensorFlow增加了tf.Variable类型在普通的张量类型基础上添加了name、trainable等属性来支持计算图的构建。由于梯度运算会消耗大量的计算资源，而且会自动更新相关参数，对于不需要优化的张量，通过tf.Variable封装，相反,对于需要计算梯度并优化的张量，需要通过tf.Variable包裹以便 TensorFlow 跟踪相关梯度信息。通过tf.Variable()函数可以将普通张量转换为待优化张量。

a = tf.constant([1,2,3])
aa = tf.Variable(a)
print(a)
print(aa)
print(aa.name)
print(aa.trainable)

对应的输出结果如下：

tf.Tensor([1 2 3], shape=(3,), dtype=int32)
<tf.Variable 'Variable:0' shape=(3,) dtype=int32, numpy=array([1, 2, 3])>
Variable:0
True

name属性用于命名计算图中的变量,这套命名体系是TensorFlow内部维护的,一般不需要用户关注name属性。
trainable属性属性表征当前张量是否需要被优化,创建Variable对象时是默认启用优化标老,可以改置trainable=False来设置张量不需要优化。