Tensorflow的张量（一）

TensorFlow的核心是张量（Tensor）和计算图（Gragh）

Tensor指的就是一种多维的数据结构和numoy的数据结构很像。

张量 分 常量张量（tf.constant()创建）和变量张量(tf.Variable(),tf.get_Variable()创建)。

常量在计算中不能被赋值，变量在计算中可以使用tf.assgn()、tf.assign_add()操作进行赋值，加法等计算

1、张量常量介绍

我们可以近似认为constant内有几个框框，就是几维的常量

tf.rank()的结果和我们的认知似乎不太一样

import tensorflow as tf
import numpy as np
# 查看常量的维度大小

a = tf.constant([1.0, 2.0])
b = tf.constant([[1,2], [2,3]])
c = tf.constant([[[1,2], [2,3]]])

print("a的维度为:{},b的维度为:{},c的维度为:{}".format(tf.rank(a), tf.rank(b), tf.rank(c)))
print(a.shape)
print(b.shape)
print(c.shape)

a的维度为:Tensor("Rank:0", shape=(), dtype=int32),b的维度为:Tensor("Rank_1:0", shape=(), dtype=int32),c的维度为:Tensor("Rank_2:0", shape=(), dtype=int32)
(2,)
(2, 2)
(1, 2, 2)

由于tensor和np的array的数组结构相同，我们来介绍一下这两种数据结构的互相转化过程

tensor转array() ：
sess.run()该节点或者sess.eval()

array()转tensor：
tf.convert_to_tensor()函数
tf.cast()函数

sess = tf.Session()
a = tf.constant([1., 2., 3.])
b = tf.convert_to_tensor(a)
print("tensor:", b)
print("array:", sess.run(b))
print("tensor:", tf.cast(a, dtype=tf.float32))

Tensor("Const:0", shape=(3,), dtype=float32)
[1. 2. 3.]
Tensor("Const:0", shape=(3,), dtype=float32)

tf.cast()可以修改张量的数据类型，shape属性可以查看张量的尺寸

a = tf.constant([1., 2., 3.])
print(a.shape)
print(a.dtype)
print(tf.cast(a, dtype=tf.int32).dtype)

(3,)
<dtype: 'float32'>
<dtype: 'int32'>

2、变量张量介绍

变量张量一般通过两个函数来创建:
(1)、tf.Variable()

1）参数说明：

tf.Variable是一个Variable类。通过变量维持图graph的状态，以便在sess.run()中执行；可以用Variable类创建一个实例在图中增加变量

2）定义变量的常用两种方式：

1、使用固定的值初始化变量：w = tf.Variable(initial-value,name=optional-name)

2、用tf的初始化器初始化变量:
w = tf.Variable(tf.truncated_normal([3,4],mean=0,stddev=.5),name=‘weight’)

3）执行初始化的三种方式：

1、在回话中运行initializer 操作：

tf.global_variable_initializer().run()

2、从文件中恢复，如restore from checkpoint

saver = tf.train.Saver()
with tf.Session() as sess:
    ckpt = tf.train.get_checkpoint_state(checkpoint_path)
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess,ckpt.model_checkpoint_path)
    else:
        print('No checkpoint file found')

3、也可自己通过tf.assign()给变量附初值

a = tf.Variable(1.0)
a = tf.assign(a,5.0)
b = tf.Variable(2.0)
b = tf.assign(b,6.0)
c = a+b
with tf.Session() as sess:
#相当于调用tf.assign()给变量赋初值
    sess.run([a,b])
    print(c.eval())

(2)、tf.get_variable()

参数和tf.Variable()不一致，其他的用法一致

get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    regularizer=None,
    trainable=True,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None,
    constraint=None
)