把张量变成int_tensorflow 之 张量与变量

TensorFlow 与 MXNet、PyTorch 很相似，上手速度很快(相比于 TensorFlow1.x)。

TensorFlow 拆开来看，就是 Tensor 与 Flow，即数据流程图，也是有向无环图(DAG)。在 TensorFlow 中以 Tensor(张量)表示数据，即 DAG 的(实线)边，而虚线的边用来表示流程的控制关系。DAG 的节点表示数学操作符(即数学运算)。

1 张量 tf.Tensor

张量是由 tf.Tensor 对象表示的具有统一类型(称为 dtype)的多维数组。您可以在 tf.dtypes.DType 中查看所有支持的 dtypes。就像 Python 数值和字符串一样，所有张量都是不可变的：永远无法更新张量的内容，只能创建新的张量。

编写 TensorFlow 程序时，主要操纵和传递的对象是 tf.Tensor。tf.Tensor 具有以下属性：

单一数据类型 (比如，float32，int32或字符串)

a shape

TensorFlow 支持 eager 执行和 graph 执行。eager 执行时，将立即执行运算。在 graph 中执行时，构造一个计算图为以后运算。TensorFlow 默认 eager 执行。在以下示例中，立即计算矩阵乘法结果。其中 tf.constant 是张量的一种。

# 使用 Tensor 计算一些值

c = tf.constant([[1.0, 2.0], [3.0, 4.0]]) # 常量

d = tf.constant([[1.0, 1.0], [0.0, 1.0]])

e = tf.matmul(c, d) # 矩阵乘法

print(e)

输出：

tf.Tensor(

[[1. 3.]

[3. 7.]], shape=(2, 2), dtype=float32)

请注意，在 eager 执行过程中，您可能会发现您的 Tensors 实际上是类型为“EagerTensor”。这是内部细节，但确实可以给您访问有用的函数 numpy()：

在 TensorFlow 中，tf.function 是定义 graph 执行的常用方法。张量的 shape(即张量的 rank 和每个维度的大小)可能并不总是完全已知的。在 tf.function 定义中，shape 可能仅是部分已知的。

如果也可以完全知道其输入的形状，则大多数操作都会生成形状已知的张量，但是在某些情况下，只有在执行时才能找到张量的形状。

有许多专用的张量：参见 tf.constant, tf.sparse.SparseTensor, 和 tf.RaggedTensor。

1.1 常量 tf.constant

def constant(value, dtype=None, shape=None, name="Const"):

从 tensor-like 的对象创建恒定张量，即常量。

注意：所有 eager 的 tf.Tensor 值都是不可变的(与 tf.Variable 相反)。从 tf.constant 返回的值没有特别常数。此功能与 tf.convert_to_tensor 基本上没有区别。名称 tf.constant 来自符号API(例如 tf.data或 tf.keras functional models)，其中 value 嵌入在 tf.Graph 的 Const 节点中。tf.constant 可用于断言该值可以通过这种方式嵌入。

我们来创建一些基本张量。

下面是一个“标量”(或称“0 秩”张量)。标量包含单个值，但没有“轴”。

rank_0_tensor = tf.constant(4)

print(rank_0_tensor)

输出：

tf.Tensor(4, shape=(), dtype=int32)

“向量”(或称“1 秩”张量)就像一个值的列表。向量有 1 个轴：

rank_1_tensor = tf.constant([2.0, 3.0, 4.0])

print(rank_1_tensor)

输出：

tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32)

“矩阵”(或称“2 秩”张量)有 2 个轴：

rank_2_tensor = tf.constant([[1, 2],

[3, 4],

[5, 6]], dtype=tf.float16)

print(rank_2_tensor)

输出：

tf.Tensor(

[[1. 2.]

[3. 4.]

[5. 6.]], shape=(3, 2), dtype=float16)

张量的轴可能更多，下面是一个包含 3 个轴的张量：

rank_3_tensor = tf.constant([

[[0, 1, 2, 3, 4],

[5, 6, 7, 8, 9]],

[[10, 11, 12, 13, 14],

[15, 16, 17, 18, 19]],

[[20, 21, 22, 23, 24],

[25, 26, 27, 28, 29]],])

print(rank_3_tensor)

输出：

tf.Tensor(

[[[ 0 1 2 3 4]

[ 5 6 7 8 9]]

[[10 11 12 13 14]

[15 16 17 18 19]]

[[20 21 22 23 24]

[25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32)

对于包含 2 个以上的轴的张量ÿ