(1) Tensorflow数据类型

数据类型

tensorflow的基础是数据类型，依赖特有的函数进行创建，此部分介绍与演示创建最基础常用的数据类型

数值类型、 字符串类型和布尔类型

数值类型

• 标量 0，1，2，3，4，5

创建标量实例：
import tensorflow as tf
a = tf.constant(1.2)
b = tf.constant(5.4)
print(a+b)
print(type(a))
print(tf.is_tensor(a))

out:
tf.Tensor(6.6000004, shape=(), dtype=float32)
<class 'tensorflow.python.framework.ops.EagerTensor'>
True

• 向量 [0],[1],[0,1,2,3,4,5,5.6] 维度dim为1, shape为[n]

创建向量实例：
import tensorflow as tf
x = tf.constant([1,3,5,6.7])
print(x)
print(x.numpy)

out:
tf.Tensor([1.  3.  5.  6.7], shape=(4,), dtype=float32)
<bound method _EagerTensorBase.numpy of <tf.Tensor: id=0, shape=(4,), dtype=float32, numpy=array([1. , 3. , 5. , 6.7], dtype=float32)>>

• 矩阵 [[1,2],[3,4]] 维度dim为2，shape为[n,m]

创建矩阵实例：
import tensorflow as tf
b=tf.constant([[1,3],[2,4]])
print(b)
print(b.shape)

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

• 张量 维度dim>2,shape为[n,m,…,k] ,每个维度也叫做轴，每个维度可以根据实际需要赋予物理意义，
  如，shape为[2,32,32,3]可以表示为2张图片，高32，宽32，RGB（颜色）通道为3

创建张量实例：
import tensorflow as tf
b=tf.constant([[[1,3],[2,4]],[[7,8],[6,7]]])
print(b)

out:

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

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

字符串类型

import tensorflow as tf
a=tf.constant('Hello,This Beautiful World')
print(a)

out:
tf.Tensor(b'Hello,This Beautiful World', shape=(), dtype=string)

功能	命令
小写化	lower()
拼接	join()
长度	length()
切分	split()

	help(tf.strings.lower)    用于查看函数的帮助信息

小写化操作：
import tensorflow as tf
a=tf.constant('Hello,This Beautiful World')
print(a)
b=tf.strings.lower(a)
print(b)

out:
tf.Tensor(b'Hello,This Beautiful World', shape=(), dtype=string)
tf.Tensor(b'hello,this beautiful world', shape=(), dtype=string)

布尔类型

import tensorflow as tf

a=tf.constant(True)
b=tf.constant([True,False])
print(a,'\n',b)
print(a is True)#TF 布尔类型张量与 python 布尔类型比较
print(a == False)#数值比较，**以张量形式返回值**

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

数值精度

• 常用有tf.int16、 tf.int32、 tf.int64、 tf.float16、 tf.float32、tf.float64等数值类型
• tf.bool布尔类型
• 选择适当的精度，保证计算精度，防止溢出错误（小类型存储大数）
• 长度越长，储存精度越高，内存占用越大 ，执行速度越慢

import tensorflow as tf
a = tf.constant(128, dtype = tf.int64)
print('before:',a.dtype)#读取原精度
b = tf.cast(a,tf.float32)#精度转换操作
print('after:',b.dtype)

out:
before: <dtype: 'int64'>
after: <dtype: 'float32'> 

待优化张量

• 为了区分需要计算梯度的张量和不需要计算梯度的张量，引入专有数据类型tf.Variable，tf.Variable数据类型在普通张量的基础上添加了name,trainable 等属性来支持计算图的构建。
• 用于计算过程中不断更新的参数储存，如W , b，方便跟踪相关梯度的信息
• trainable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志，可以设置
  trainable=False 来设置张量不需要优化
• 待优化张量可视为普通张量的特殊类型， 普通张量其实也可以通过 GradientTape.watch()方
  法临时加入跟踪梯度信息的列表，从而支持自动求导功能。

普通张量转tf.Variable
import tensorflow as tf
a = tf.constant([1,2,3,4,5,6])
b = tf.Variable(a)
print(a,'\n',b)
print(b.name,b.trainable)

out:
tf.Tensor([1 2 3 4 5 6], shape=(6,), dtype=int32) 
 <tf.Variable 'Variable:0' shape=(6,) dtype=int32, numpy=array([1, 2, 3, 4, 5, 6])>
Variable:0 True

直接创建：tf.Variable

import tensorflow as tf
b = tf.Variable([1,2,3,4])
print(b)

out:
<tf.Variable 'Variable:0' shape=(4,) dtype=int32, numpy=array([1, 2, 3, 4])>