TensorFlow当中的张量以及数据类型

一、张量的阶和数据类型

TensorFlow用张量这种数据结构来表示所有的数据.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.其实张量更代表的就是一种多位数组

数组array	矩阵ndarray	张量tensor

阶

一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量.

阶	数学实例	Python	例子
0	纯量	(只有大小)	s = 483
1	向量	(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵	(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量	(数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶	(自己想想看)	…

数据类型

数据类型	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数.
DT_DOUBLE	tf.float64	64 位浮点数.
DT_INT64	tf.int64	64 位有符号整型.
DT_INT32	tf.int32	32 位有符号整型.
DT_INT16	tf.int16	16 位有符号整型.
DT_INT8	tf.int8	8 位有符号整型.
DT_UINT8	tf.uint8	8 位无符号整型.
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL	tf.bool	布尔型.
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型.
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型.
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型.

二、张量的操作

生成张量

函数	用法	解释
zeros	zeros(shape, dtype=tf.float32, name=None)	所有元素为零的张量
	zeros_like(tensor, dtype=None, name=None)	给tensor定单张量
ones_like	ones_like(tensor, dtype=None, name=None)	给tensor定单张量
fill	fill(dims, value, name=None)	填充了标量值的张量
constant	constant(value, dtype=None, shape=None, name=‘Const’)	常数张量

t1 = tf.constant([1, 2, 3, 4, 5, 6, 7])
t2 = tf.constant(-1.0, shape=[2, 3])
print(t1,t2)

张量—>名字+形状+类型

创建张量

函数	API
truncated_normal	truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)	从截断的正态分布中输出随机值
random_normal	random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)	从正态分布中输出随机值
random_uniform	random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)	从均匀分布输出随机值
random_shuffle	random_shuffle(value, seed=None, name=None)	沿其第一维度随机打乱
set_random_seed	set_random_seed(seed)	设置图级随机种子

# 正态分布的 4X4X4 三维矩阵，平均值 0， 标准差 1
normal = tf.truncated_normal([4, 4, 4], mean=0.0, stddev=1.0)

张良的变换

• tf.string_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)

tf.string_to_number(string_tensor, out_type=None, name=None)

将输入Tensor中的每个字符串转换为指定的数字类型。注意，int32溢出导致错误，而浮点溢出导致舍入值

n1 = tf.constant(["1234","6789"])
n2 = tf.string_to_number(n1,out_type=tf.types.float32)

sess = tf.Session()

result = sess.run(n2)
print result

sess.close()

形状和变换

• tf.shape(input, name=None)
• tf.size(input, name=None)
• tf.rank(input, name=None)
• tf.reshape(tensor, shape, name=None)
• tf.squeeze(input, squeeze_dims=None, name=None)
• tf.expand_dims(input, dim, name=None)

tf.shape(input, name=None)

返回张量的形状。

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
shape(t) -> [2, 2, 3]

静态形状与动态形状

静态维度 是指当你在创建一个张量或者由操作推导出一个张量时，这个张量的维度是确定的。它是一个元祖或者列表。

动态形状 当你在运行你的图时，动态形状才是真正用到的。这种形状是一种描述原始张量在执行过程中的一种张量。如果你定义了一个没有标明具体维度的占位符，即用None表示维度，那么当你将值输入到占位符时，这些无维度就是一个具体的值，并且任何一个依赖这个占位符的变量，都将使用这个值。

API	exp
squeeze(input, squeeze_dims=None, name=None)	将input中维度是1的那一维去掉
expand_dims(input, dim, name=None)	添加一个指定维度

切片与扩展

• tf.slice(input_, begin, size, name=None)
• tf.split(split_dim, num_split, value, name=‘split’)
• tf.tile(input, multiples, name=None)
• tf.pad(input, paddings, name=None)
• tf.concat(concat_dim, values, name=‘concat’)
• tf.pack(values, name=‘pack’)
• tf.unpack(value, num=None, name=‘unpack’)
• tf.reverse_sequence(input, seq_lengths, seq_dim, name=None)
• tf.reverse(tensor, dims, name=None)
• tf.transpose(a, perm=None, name=‘transpose’)
• tf.gather(params, indices, name=None)
• tf.dynamic_partition(data, partitions, num_partitions, name=None)
• tf.dynamic_stitch(indices, data, name=None)

其他

作用	API
张量复制与组合	identity(input, name=None)
	tuple(tensors, name=None, control_inputs=None)
	group(*inputs, \**kwargs)
	no_op(name=None)
	count_up_to(ref, limit, name=None)
逻辑运算符	logical_and(x, y, name=None)
	logical_not(x, name=None)
	logical_or(x, y, name=None)
	logical_xor(x, y, name='LogicalXor')
比较运算符	equal(x, y, name=None)
	not_equal(x, y, name=None)
	less(x, y, name=None)
	less_equal(x, y, name=None)
	greater(x, y, name=None)
	greater_equal(x, y, name=None)
	select(condition, t, e, name=None)
	where(input, name=None)
判断检查	is_finite(x, name=None)
	is_inf(x, name=None)
	is_nan(x, name=None)
	verify_tensor_all_finite(t, msg, name=None) 断言张量不包含任何NaN或Inf
	check_numerics(tensor, message, name=None)
	add_check_numerics_ops()
	Assert(condition, data, summarize=None, name=None)
	Print(input_, data, message=None, first_n=None, summarize=None, name=None)

csdn不定期打包发送，微信每日一篇，快乐学习，赢在中国
欢迎大家关注这个微信公众号，尊重原创，转载请注明出处