二、tensorflow基础

(一) 数据类型

• 标量
• 向量
• 矩阵
• 张量
  维度大于2，统称为张量。

tf.constant([List],[],...)

• 字符串

tf.constant('strings')
tf.strings.lower()
tf.strings.join()
tf.strings.length()
tf.strings.split()

• 布尔

tf.constant(True)
tf.constant([True,False])
# tensorflow的布尔类型与python中的不对等。

(二) 数值精度

# 1.读取精度
a = tf.constant([1.,2.],dtype=tf.float32)
print(a.dtype)
# 2.精度类型转换
tf.cast(a,dtype=tf.int32)
# 3.布尔类型与整型转换
b = tf.constant([True,True,False])
tf.cast(b,dtype=tf.int32)
# 在tensorflow中将非0数字都作为True

(三) 待优化张量

# tf.Variable()能够将普通张量转化为待优化张量
a = tf.constant([1,2,3,4])
aa = tf.Variable(a)
print(a.name,a.trainable)
# or
a = tf.Variable([1,2,3,4],[4,5,6,7])

(四) 创建张量

• 从numpy、list中创建

tf.convert_to_tensor([1,2.])
tf.convert_to_tensor(np.array([[2,3],[4,5]]))

• 常见全0全1张量

tf.zeros([]);tf.ones([])
# []为张量shape
a = tf.zeros([2,3])
b = tf.ones([3,3])
tf.zeros_like(a)
tf.ones_like(b)

• 创建自定义张量

# tf.fill(shape,value)
tf.fill([2,3],10)

• 创建已知分布的张量

# 1.高斯分布或正态分布
tf.random.normal(shape,mean,stddev)
# 2.创建均匀分布
tf.random.uniform(shape,minval,maxval,dtype=tf.float32)
# 3.创建整型的均匀分布，必须指定maxval,通知dtype=tf.int32
tf.random.uniform([2,2],maxval=10,dtype=tf.int32)

• 创建序列

tf.range(a,b,delta=1)

(五) 索引和切片

• 索引

a = tf.random.normal([4,32,32,3])
# a 代表有4张大小为32*32的图片，通道为3，即色彩RGB
# 1.取第1张图片
a[0]
# 2.取第1张图片的第2行
a[0][1]
# 3.取第1张图片的第2行第3列像素
a[0][1][2]
# 4.取第2张图片的第3行第4列的像素，B通道
a[1][2][3][2]
# 5.更简单的方法是
a[1,2,3,2]

• 切片
  start : end : step

# 1.读取第2,3张图片
a[1:3]
# 2.读取所有图片，隔行隔列采样，所有通道信息
a[:,0:28:2,0:28:2,:]

(六) 维度变换

基本的维度变化包含以下：
1.改变视图 : reshape
2.出入新维度：expand_dims
3.删除维度：squeeze
4.交换维度：transpose
5.赋值数据：tile

• reshape

x = tf.range(10)
x = tf.reshape(x,[1,5,2,1])
x = tf.reshape(x,[2,-1])
# -1表示当前轴上长度需要根据视图种元素不变的法则自动推导，从而方便书写。比如上面的-1可以推导为：1*5*2*1/2=5

• 增删维度

x = tf.random.uniform([28,28],maxval=10,dtype=tf.int32)
# 1.tf.expand_dims(x,axis)可以增加维度
tf.expand_dims(x,axis=0)
# 2.tf.squeeze(x,axis=1)

• 交换维度

# tf.transpose(x,perm),perm表示新维度的顺序List.

• 数据复制

# 数据复制，tf.tile(x,multiples)

(七) Broadcasting

• Broadcasting

# tf.broadcast_to(x,new_shape)

(八) 数学运算

• 加减乘除

tf.add, tf.subtract, tf.multiply, tf.divide
也可直接+ - * /

• 乘方

# tf.pow(x,a)

• 指数对数

换底公式
$$lo{g}_{a}x=\frac{lo{g}_{e}x}{lo{g}_{e}a}$$

x = tf.constant([1,2,3])
tf.pow(a,x)
x = tf.exp(x) #以e为底数
tf.math.log(x) # 它是以e为底数
# 如何希望用其他底数，需要用到换底公式

• 矩阵相乘

tf.matmul(a,b)
# 其中，a的最后一个维度必须等于b的最后第二个维度
# 矩阵相乘支持Broadcasting机制
a = tf.random.normal([2,32,16])
b = tf.random.normal([32,8])
c = tf.matmul(a,b)