tensorflow基本操作

tensorflow基础操作

• TensorFlow 使用 张量 （Tensor）作为数据的基本单位。TensorFlow 的张量在概念上等同于多维数组
  导入tensorflowf模块
  import tensorflow as tf
• tf.zeros tf.ones

# 创建shape为（4,6）数值全为0的的tensor
zeros=tf.zeros([4,6])
print(zeros)

tf.Tensor(
[[0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0.]], shape=(4, 6), dtype=float32)
 # 创建shape为（2,3）数值全为1的的tensor
one=tf.ones([2,3])
print(one)
# 运行结果
tf.Tensor(
[[1. 1. 1.]
 [1. 1. 1.]], shape=(2, 3), dtype=float32)

• tf.fill()

# 创建shape为（6,6）数值全为6的的tensor
data=tf.fill([4,6],6)
<tf.Tensor: id=8, shape=(4, 6), dtype=int32, numpy=
array([[6, 6, 6, 6, 6, 6],
       [6, 6, 6, 6, 6, 6],
       [6, 6, 6, 6, 6, 6],
       [6, 6, 6, 6, 6, 6]])>

+创建随机张量
tf.random.normal()
从指定正态分布中随机取值,例如，元素服从均值为0，方差为1

#创建一个shape为（2,3）均值为0，方差为1服从正态分布的tensor
data=tf.random.normal([2, 3], mean=0, stddev=1) 
#运行结果
<tf.Tensor: id=32, shape=(2, 3), dtype=float32, numpy=
array([[ 0.8916064 , -0.20759307,  0.28658876],
       [ 1.1806337 ,  1.70724   , -1.9630079 ]], dtype=float32)>

tf.random.uniform() 从指定均匀分布中随机取值

tf.random.uniform([6,2])
<tf.Tensor: id=39, shape=(6, 2), dtype=float32, numpy=
array([[0.74790776, 0.3966    ],
       [0.66748595, 0.17139208],
       [0.28174758, 0.83516634],
       [0.49451137, 0.9332472 ],
       [0.04716289, 0.7451469 ],
       [0.02414787, 0.8701292 ]], dtype=float32)>

• 张量的类型转换
  tf.strings.to_number(string_tensor, out_type=None, name=None)
  tf.to_double(x, name=‘ToDouble’)
  tf.to_float(x, name=‘ToFloat’)
  tf.to_bfloat16(x, name=‘ToBFloat16’)
  tf.to_int32(x, name=‘ToInt32’)
  tf.to_int64(x, name=‘ToInt64’)
  tf.cast(x, dtype, name=None)

  主要介绍下cast，tf.strings.to_number
  +tf.cast(x, dtype, name=None)
  x: 待转换的数据（张量）
  dtype： 目标数据类型

x=tf.Variable([4,6])

<tf.Variable 'Variable:0' shape=(2,) dtype=int32, numpy=array([4, 6])>

tf.cast(x,tf.float32)

<tf.Tensor: id=50, shape=(2,), dtype=float32, numpy=array([4., 6.], dtype=float32)>

• tf.strings.to_number(string_tensor, out_type=None, name=None)
  将输入张量中的每个字符串转换为指定的数值类型张量

tf.strings.to_number("1.55") 
<tf.Tensor: id=53, shape=(), dtype=float32, numpy=1.55>

• constant() 创建常量的方法

创建一个整型张量
tf.constant(6)
创建一个浮点型张量
tf.constant(7.)
通过list参数创建
tf.constant([[1.,2.,],[4.,6.]])
# 返回结果
<tf.Tensor: id=55, shape=(2, 2), dtype=float32, numpy=
array([[1., 2.],
       [4., 6.]], dtype=float32)>

• transpose() 转置

a = tf.constant([[1,8,3],[4,9,6]])
a.shape
TensorShape([2, 3])
c = tf.transpose(a)
c.shape
转置后的形状
TensorShape([3, 2])

• reshape

data = tf.ones([2,2,3])
data
<tf.Tensor: id=61, shape=(2, 2, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.]]], dtype=float32)>
data2 = tf.reshape(data, [3, 2, 2])
data2
<tf.Tensor: id=64, shape=(3, 2, 2), dtype=float32, numpy=
array([[[1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.]],

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

同时也支持类似numpy的逻辑运算符，切片操作，这里不再一一介绍