Tensorflow2.0（1）_基本操作

最新推荐文章于 2024-08-20 19:00:16 发布

加油、向上吧

最新推荐文章于 2024-08-20 19:00:16 发布

阅读量439

点赞数

分类专栏： TensorFlow

本文链接：https://blog.csdn.net/weixin_43822657/article/details/102695956

版权

TensorFlow 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1 创建

1.1 constant()方法

Int [1]: import tensorflow as tf

Int [2]: tf.constant(1)  # 创建一个整型张量

Out [2]: <tf.Tensor: id=0, shape=(), dtype=int32, numpy=1>

Int [3]: tf.constant(1.)  # 创建一个浮点型张量

Out [3]: <tf.Tensor: id=2, shape=(), dtype=float32, numpy=1.0>

Int [4]: tf.constant(2., dtype=tf.double)  # 创建的同时指定数据类型

Out [4]: <tf.Tensor: id=4, shape=(), dtype=float64, numpy=2.0>

Int [5]: tf.constant([[1.,2.,3.],[4.,5.,6.]])  # 通过传入一个list参数创建

Out [5]: <tf.Tensor: id=6, shape=(2, 3), dtype=float32, numpy=
          array([[1., 2., 3.],
                 [4., 5., 6.]], dtype=float32)>

如果输入的数据与指定的数据类型不相符，会产生以下异常：
TypeError: Cannot convert provided value to EagerTensor. Provided value: 2.1 Requested dtype: int32

1.2 convert_to_tensor()方法

Int[9]: import numpy as np

Int[10]: tf.convert_to_tensor(np.ones([2, 3]))

Out[10]: <tf.Tensor: id=9, shape=(2, 3), dtype=float64, numpy=
         array([[1., 1., 1.],
         [1., 1., 1.]])>
         
Int[11]: tf.convert_to_tensor(np.ones([2, 3]))

Out[11]: <tf.Tensor: id=11, shape=(2, 3), dtype=float64, numpy=
         array([[1., 1., 1.],
         [1., 1., 1.]])>
         
Int[12]: tf.convert_to_tensor([[2.,3.],[3., 4.]])

Out[12]: <tf.Tensor: id=13, shape=(2, 2), dtype=float32, numpy=
         array([[2., 3.],
                [3., 4.]], dtype=float32)>

1.3 创建元素为指定值的tensor

如果你熟悉numpy创建数组的方法，你一定见过zeros()、ones()等方法，TensorFlow中也有这些方法。

（1）zeros()与ones()

In [3]: a = tf.zeros([2, 3, 3])  # 创建一个元素全为0，形状为[2, 3, 3]的tensor

In [4]: a
Out[4]:
<tf.Tensor: id=4, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]], dtype=float32)>

In [5]: b = tf.ones([2, 3])  #  创建一个元素全为1，形状为[2, 3]的tensor

In [6]: b
Out[6]:
<tf.Tensor: id=8, shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
       [1., 1., 1.]], dtype=float32)>

（2）zeros_like()与ones_like

In [7]: tf.zeros_like(b)  # 仿照b的shape创建一个全为0的tensor
Out[7]:
<tf.Tensor: id=10, shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
       [0., 0., 0.]], dtype=float32)>

In [8]: tf.ones_like(a)  # 仿照b的shape创建一个全为1的tensor
Out[8]:
<tf.Tensor: id=14, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]], dtype=float32)>

（3）fill()

In [9]: tf.fill([2,3],5)  # 创建元素全为5，形状为[2,3]的tensor
Out[9]:
<tf.Tensor: id=18, shape=(2, 3), dtype=int32, numpy=
array([[5, 5, 5],
       [5, 5, 5]])>

1.2 随机初始化

在实际应用中，经常需要随机初始化元素服从某种分布的tensor，TensorFlow中也提供了这种功能。

（1）从指定正态分布中随机取值：tf.random.normal()。例如，随机初始化一个元素服从均值为1，方差为1的正态分布且形状为[2, 3]的tensor：

In [10]: tf.random.normal([2, 3], mean=1, stddev=1)
Out[10]:
<tf.Tensor: id=25, shape=(2, 3), dtype=float32, numpy=
array([[2.769353  , 0.29556453, 3.1812348 ],
       [0.98696893, 1.5953724 , 1.280001  ]], dtype=float32)>

（2）从指定的截断正态分布中随机取值：truncated_normal()。意思是从指定的正太分布中取值，但是取值范围在两个标准差范围内，也就是：[ mean - 2 stddev, mean + 2 stddev ]

In [11]: tf.random.truncated_normal([2, 3], mean=1, stddev=1)
Out[11]:
<tf.Tensor: id=32, shape=(2, 3), dtype=float32, numpy=
array([[ 0.8288505 ,  2.4870796 ,  0.09972537],
       [-0.2808863 ,  0.8300834 ,  0.8910987 ]], dtype=float32)>

（3）从指定均匀分布中随机取值：tf.random.uniform()。

In [12]: tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布
Out[12]:
<tf.Tensor: id=40, shape=(2, 3), dtype=float32, numpy=
array([[1.857396 , 1.6122543, 1.354155 ],
       [1.6087122, 1.7220445, 1.7369657]], dtype=float32)>

2 索引

In [14]: import numpy as np

In [15]: import tensorflow as tf

In [16]: a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))

In [17]: a
Out[17]:
<tf.Tensor: id=42, shape=(2, 2, 4, 5), dtype=int32, numpy=
array([[[[ 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],
         [30, 31, 32, 33, 34],
         [35, 36, 37, 38, 39]]],


       [[[40, 41, 42, 43, 44],
         [45, 46, 47, 48, 49],
         [50, 51, 52, 53, 54],
         [55, 56, 57, 58, 59]],

        [[60, 61, 62, 63, 64],
         [65, 66, 67, 68, 69],
         [70, 71, 72, 73, 74],
         [75, 76, 77, 78, 79]]]])>

2.1 基础索引

TensorFlow支持Python原生的基础索引方式，即多个方括号逐步索引取值：[idx][idx][idx]，每个方括号对应一个维度。


In [18]: a[0]  # 取第一个维度
Out[18]:
<tf.Tensor: id=47, shape=(2, 4, 5), dtype=int32, numpy=
array([[[ 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],
        [30, 31, 32, 33, 34],
        [35, 36, 37, 38, 39]]])>

In [19]: a[0][1]  # 同时筛选两个维度
Out[19]:
<tf.Tensor: id=56, shape=(4, 5), dtype=int32, numpy=
array([[20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29],
       [30, 31, 32, 33, 34],
       [35, 36, 37, 38, 39]])>

In [20]: a[0][1][3][3]  # 同时对4个维度进行筛选
Out[20]: <tf.Tensor: id=73, shape=(), dtype=int32, numpy=38>

这种索引数据的方法简单，易于理解，但是可读性差，只能按维度依次索引数据，也不能索引列。

2.2 numpy索引

TensorFlow也继承了numpy中的部分索引方式
（1）[idx1, idx2, idx3]
这种索引方式是在一个方括号内写下所有的索引，每个索引序号之间用逗号隔开。

In [21]: a[1]  # 筛选第一维度，这跟基础索引一样
Out[21]:
<tf.Tensor: id=78, shape=(2, 4, 5), dtype=int32, numpy=
array([[[40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49],
        [50, 51, 52, 53, 54],
        [55, 56, 57, 58, 59]],

       [[60, 61, 62, 63, 64],
        [65, 66, 67, 68, 69],
        [70, 71, 72, 73, 74],
        [75, 76, 77, 78, 79]]])>

In [22]: a[1,1, 3]  # 同时帅选3个维度
Out[22]: <tf.Tensor: id=83, shape=(5,), dtype=int32, numpy=array([75, 76, 77, 78, 79])>

（2）冒号切片与步长：[start?step]

这种索引方式在Python原生的list类型中也是常见的，而且使用方法也是一样的。

In [23]: a[1,:,0:2] # 对第1维度选第二块数据，对第二维度选所有数据，对第三维度选前两行
Out[23]:
<tf.Tensor: id=88, shape=(2, 2, 5), dtype=int32, numpy=
array([[[40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49]],

       [[60, 61, 62, 63, 64],
        [65, 66, 67, 68, 69]]])>

In [24]: a[1,:,0:2,0:4] # 继续上面的例子，对第4维度筛选去前4列
Out[24]:
<tf.Tensor: id=93, shape=(2, 2, 4), dtype=int32, numpy=
array([[[40, 41, 42, 43],
        [45, 46, 47, 48]],

       [[60, 61, 62, 63],
        [65, 66, 67, 68]]])>

In [25]: a[1,:,0:2,0:4:2] # 对第4维度加上步长，每隔一个数据取一次
Out[25]:
<tf.Tensor: id=98, shape=(2, 2, 2), dtype=int32, numpy=
array([[[40, 42],
        [45, 47]],

       [[60, 62],
        [65, 67]]])>

也可以使用负值步长表示逆序索引，但要注意，负数步长时，原本的[start : end : step]也要跟着编程[end : start : step]：

In [26]: a[1,:,0:2,4:0:-1]
Out[26]:
<tf.Tensor: id=103, shape=(2, 2, 4), dtype=int32, numpy=
array([[[44, 43, 42, 41],
        [49, 48, 47, 46]],

       [[64, 63, 62, 61],
        [69, 68, 67, 66]]])>

In [27]: a[1,:,0:2,4:0:-2]
Out[27]:
<tf.Tensor: id=108, shape=(2, 2, 2), dtype=int32, numpy=
array([[[44, 42],
        [49, 47]],

       [[64, 62],
        [69, 67]]])>

在numpy和TensorFlow中还有“…"（三个英文句号）的使用，“…"用于表示连续多个维度全选：

In [28]: a[1,...,0:4] # 等同于a[1, : , : ,0:4]
Out[28]:
<tf.Tensor: id=113, shape=(2, 4, 4), dtype=int32, numpy=
array([[[40, 41, 42, 43],
        [45, 46, 47, 48],
        [50, 51, 52, 53],
        [55, 56, 57, 58]],

       [[60, 61, 62, 63],
        [65, 66, 67, 68],
        [70, 71, 72, 73],
        [75, 76, 77, 78]]])>

In [29]: a[0,0,...] # 等同于a[0,0,:,:]
Out[29]:
<tf.Tensor: id=118, shape=(4, 5), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])>

2.3 gather与gather_nd

gather与gather_nd是指TensorFlow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中，可以通过嵌套list的方式来指定无规则的索引：

In [30]: b = np.arange(20).reshape(4,5)

In [31]: b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列
Out[31]: array([5, 8, 9])

但是在TensorFlow中，这种索引方式并没有从numpy中继承下来,所以如果在Tensor中使用这种方式，会抛出以下异常：
TypeError: Only integers, slices （ : ), ellipsis (…), tf.newaxis (None) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]

还好的是，在TensorFlow中通过gather()方法和gather_nd()方法提供了这种索引方法。
（1）gather()方法

In [32]: tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行
Out[32]:
<tf.Tensor: id=123, shape=(3, 5), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])>

In [33]: tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列
Out[33]:
<tf.Tensor: id=128, shape=(4, 3), dtype=int32, numpy=
array([[ 0,  2,  3],
       [ 5,  7,  8],
       [10, 12, 13],
       [15, 17, 18]])>

仔细观察上面gather()方法例子，可以发现，第一个参数时数据源，还有两个参数中，axis指的是将要的维度，indices指的是需要选取的序号。

（2）gather_nd()

gather()方法一次只能对一个维度进行索引，gather_nd()方法可以同时对多个维度进行索引。

In [34]: tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据，和第4行第4列的数据
Out[34]: <tf.Tensor: id=132, shape=(2,), dtype=int32, numpy=array([ 2, 18])>

2.5 条件索引

可以结合一些简单的逻辑运算符进行索引取值：

In [1]: import tensorflow as tf

In [2]: a = tf.random.uniform([3,3],minval=-10,maxval=10,dtype=tf.int32)^M
   ...: a
2019-10-23 11:03:13.189763: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
Out[2]:
<tf.Tensor: id=3, shape=(3, 3), dtype=int32, numpy=
array([[  5,   3,  -5],
       [  0,  -5,   8],
       [  7, -10,  -8]])>

In [3]: mask = a < 0^M
   ...: mask
Out[3]:
<tf.Tensor: id=6, shape=(3, 3), dtype=bool, numpy=
array([[False, False,  True],
       [False,  True, False],
       [False,  True,  True]])>

可以看到，返回的是一个shape与a相同的tensor，在a小于零的位置是True，大于零的位置为False。进一步地，我们可以用boolwan_mask()方法直接取出符合条件的元素：

In [4]: tf.boolean_mask(a,mask)
Out[4]: <tf.Tensor: id=34, shape=(4,), dtype=int32, numpy=array([ -5,  -5, -10,  -8])>

可以结合where()方法取出符合条件元素的索引：

In [5]: m_index = tf.where(mask)^M
   ...: m_index
Out[5]:
<tf.Tensor: id=36, shape=(4, 2), dtype=int64, numpy=
array([[0, 2],
       [1, 1],
       [2, 1],
       [2, 2]], dtype=int64)>

再使用之前说过的gather_nd()方法取值：


In [6]: tf.gather_nd(a,m_index)
Out[6]: <tf.Tensor: id=38, shape=(4,), dtype=int32, numpy=array([ -5,  -5, -10,  -8])>

where()方法还有第二种用法——从两个tensor中取出符合条件的值，这时候where()方法必须接受3个参数：

In [7]: condition = tf.random.uniform([3,3],minval=0,maxval=2,dtype=tf.int32)^M
   ...: condition = tf.cast(condition, tf.bool)^M
   ...: condition
Out[7]:
<tf.Tensor: id=44, shape=(3, 3), dtype=bool, numpy=
array([[ True,  True,  True],
       [False, False, False],
       [False,  True, False]])>

In [8]: a = tf.range(1,10)^M
   ...: a = tf.reshape(a,[3,3])^M
   ...: a
Out[8]:
<tf.Tensor: id=51, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])>

In [9]: b = tf.range(-9,0)^M
   ...: b = tf.reshape(b,[3,3])^M
   ...: b
Out[9]:
<tf.Tensor: id=58, shape=(3, 3), dtype=int32, numpy=
array([[-9, -8, -7],
       [-6, -5, -4],
       [-3, -2, -1]])>

In [10]: tf.where(condition, a, b)
Out[10]:
<tf.Tensor: id=60, shape=(3, 3), dtype=int32, numpy=
array([[ 1,  2,  3],
       [-6, -5, -4],
       [-3,  8, -1]])>

上面where()方法返回的结果在True的位置取值是a中对应位置元素的值，在False位置是b中对应元素的值。