tensorflow2.0---笔记1 tensor基本操作

什么是tensor

常见的数据载体（data container）：

1. list（可存放不同类型数据）；
2. np.array（科学计算库，数值运算，但不支持自动求导）；
3. tf.Tensor（也可视为一个与numpy类似的科学计算库）。
   TensorFlow使用张量（Tensor）作为数据的基本单位。tensor在概念上类似于多维数组，可以用它来描述数学中的标量（0维数组）、向量（一维数组）、矩阵（2维数组）等各种量。

tensor的属性

张量的三个重要属性是其形状、(存放的数据)类型和值。可以通过shape、dtype属性和 numpy() 方法获得。

属性/方法	描述
a.shape
a.dtype	存放的数据类型
a.numpy()	获取a中存放的值
a.ndim	获得a的维度

用 tf.is_tensor(a) 可以判断a是否为tensor（返回布尔型）。

创建tensor

1. 用 tf.constant()、tf.Variable() 创建tensor

a = tf.constant(10) # 标量
print(a)  # tf.Tensor(10, shape=(), dtype=int32)

b = tf.constant([2.], dtype=tf.double)  # 加上中括号就为一维向量
print(b)  # tf.Tensor([2.], shape=(1,), dtype=float64)
print(b.dtype)  # <dtype: 'float64'>

c = tf.constant([True, False])
print(c)  # tf.Tensor([ True False], shape=(2,), dtype=bool)

d = tf.constant("hello world")
print(d)  # tf.Tensor(b'hello world', shape=(), dtype=string)

tf.Variable专为神经网络中可训练的参数设置(有trainable属性且为True)

a = tf.Variable(initial_value=1)
print(a)  # <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=1>
print(a.dtype)  # <dtype: 'int32'>
print(a.numpy())  # 1

b = tf.range(5)
print(b.trainable)  # 报错，无此属性 AttributeError: 'tensorflow.python.framework.ops.EagerTensor' object has no attribute 'trainable'
c = tf.Variable(a)  
print(c)  # <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=1>
print(c.trainable)  # True

2. tf.range()、tf.linspace(start, end, number)

a = tf.range(5)
print(a)  # tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int32)
print(a.numpy())  # [0 1 2 3 4]

3. 使用tf.convert_to_tensot() 将numpy或list转换为tensor

import tensorflow as tf
import numpy as np

a = np.arange(5)
b = tf.convert_to_tensor(a) 

c = tf.convert_to_tensor(a, dtype=tf.int32) 

print(b.dtype)  # <dtype: 'int32'>
print(c.dtype)  # <dtype: 'int32'>

import tensorflow as tf

a = tf.convert_to_tensor([1, 5, 8])
print(a)  # tf.Tensor([1 5 8], shape=(3,), dtype=int32)

4. tf.zeros()、tf.zeros_like()、tf.ones()、tf.ones_like()
   注：tf.zeros()、tf.ones() 括号中接收的是数组形状

a = tf.zeros([])
print(a.shape)  # ()  即，创建了一个标量

b = tf.zeros([1])
print(b.shape)  # (1,)  创建一维向量

c = tf.zeros([3, 6]) 
print(c.shape)

a = tf.range(5)
b = tf.zeros_like(a)
print(b.numpy())  # [0 0 0 0 0]

5. 用 tf.fill() 创建值相同的tensor

a = tf.fill([4, 6], 8)
print(a.numpy())

6. 创建正态分布、均匀分布随机初始化的tensor
（1）正态分布

a = tf.random.normal([2, 3], mean=0, stddev=2)  # stddev为标准差
print(a)

截断正态分布，避免数据落在sigmoid函数两端导致的梯度消失问题（如参数初始化时）。

a = tf.random.truncated_normal([2, 6], mean=0, stddev=2)
print(a)

函数注释：The generated values follow a normal distribution with specified mean and standard deviation, except that values whose magnitude is more than 2 standard deviations from the mean are dropped and re-picked.
大于两倍标准差的数值被舍弃。
（2）均匀分布

a = tf.random.uniform([3, 6], minval=1, maxval=6)  # 还可指定dtype
print(a)   

7. Random Permutation

ind = tf.range(10)
ind = tf.random.shuffle(ind)

a = tf.random.normal([10, 784])
b = tf.random.uniform([10], maxval=10, dtype=tf.int32)

a = tf.gather(a, ind)
b = tf.gather(b, ind)

创建方法	说明
tf.range(n)	创建tensor，值为从0~n-1的向量
tf.constant()	创建常量tensor
tf.Variable()	创建变量tensor，可训练（trainable属性为True）
tf.convert_to_tensor(numpy数组或list)	将numpy数组或list转换为tensor
tf.zeros( [shape] )、tf.ones( [shape] )	创建形状为shape的全为0/1的tensor
tf.zeros_like(b)、tf.ones_like(b)	创建与b形状相同的全为0/1的tensor
tf.fill([shape], num)	创建一个值全为num的shape形tensor
tf.random.normal( [shape], mean=, steddv = )	正态分布
tf.random.truncated_normal([shape], mean=, steddv = )	截断正态分布
tf.random.uniform([shape],minval=, maxvla =， dtype = )	均匀分布

tensor数据类型转换

tf.int、tf.double、tf.float 之间相互转换（ tf.cast() ）

a = np.arange(5)
b = tf.convert_to_tensor(a, dtype=tf.int32)

c = tf.cast(b, tf.float32)
print(c.