Tensorflow 学习笔记（一）

Tensorflow基础

一，数据类型

1.1 数值类型

1.标量：维度为0，shape为[ ]

import tensorflow as tf
a=1.2   #python语言创建标量
b=tf.constant(1.2) #TF方式创建标量

2.向量：维度为1，长度不定，shape为[n](类似一维数组)

c=tf.constant([1.2,2.2])

3.矩阵：n行m列实数的有序集合，维度为2，长度不定，shape为[n,m](类似二维数组)

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

4.张量：所有维度数大于2的数组称为张量，例如：[2,32,32,3]

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

注：要使用Tensoflow提供的功能函数，需通过Tensorflow规定的方式去创建张量，而不能用python语言的标准变量的创建方式

1.2 字符串类型

str=tf.constant("hello tensorflow")
lower=tf.strings.lower(str) #小写化
len=tf.strings.length(str)  #长度

1.3 布尔类型

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

注：Tensorflow的布尔型与Python的布尔型并不等价，不能通用。

二，数值精度

常用精度：tf.int32,tf.in64,tf.int16,tf.float16,tf.float32,.tf.float64等

通过tf.cast进行类型转换

import tensorflow as tf
import numpy as np
a=tf.constant(np.pi,dtype=tf.float16)
a=tf.cast(a,tf.double)

三，待优化张量

对于计算过程中需要优化的张量，例如：网络层的W和b

利用tf.Variable()将普通张量转换为待优化张量（含有name：用于命名计算图中的变量,trainable：表示当前属性是否需要优化）

四，创建张量

1.从数组，列表对象创建:利用tf.convert_to_tensor()

import tensorflow as tf
import numpy as np
a=[1.2,2]
a=tf.convert_to_tensor(a)
b=tf.convert_to_tensor(np.array([[1,2],[3,4]]))

 2.创建全0或全1张量

c=tf.zeros([2,2])
d=tf.ones(3,3)
#与某个张量shape一致
f=tf.zeros_like(c)
h=tf.ones_like(d)

 3.创建自定义数值张量：tf.fill(shape,value)

h=tf.fill([2,3],-1)

4.创建已知分布的张量

正态分布：tf.random.normal(shape,mean,stddev) mean:均值 stddev:标准差

均值分布：tf.random.uniform(shape,minval,maxval,dtype=tf.float32) 创建采样自[minval,maxval)区间的均匀分布的张量

m=tf.random.normal([3,4],mean=2,stddev=0.5)
n=tf.random.uniform([3,3],minval=2,maxval=6,dtype=tf.float64)

5.创建序列 ：tf.range(limit,delta):创建[0,limit)步长为delta的整数序列

k=tf.range(10,delta=2)

五，维度变换：tf.reshape()

m=tf.random.normal([4,32,32,3])
k=tf.reshape(m,[4,1024,3])

增加维度：tf.expand_dims(x,axis)在指定的axis轴前插入一个新的维度 

删除维度：tf.squeeze(x,axis)axis为待删除的维度的索引号

交换维度：tf.transpose(x,perm) perm表示新维度顺序的List

m=tf.random.normal([4,32,32,3])#索引[0，1，2，3] 将高和宽维度互换
tf.transpose(m,perm=[0,2，1，3])