深度学习入门之一

**

数据类型

**
一、数值类型
scalar(单个数)、
vector[]、
matrix[[],[]]、
tensor(张量)：所有维度>2 的数组统称为张量，例如shape[2,32,32,3]的张量共有4维；
在tensorflow中，为了表达方便，把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度和形状自行判断

二、创建Tensor

#创建标量
a = tf.constant(3.0)
print(a.dtype)
print(a)
print(a.shape)
print(a.numpy())

#创建向量
b = tf.constant([1,2,3])
print(b)
print(b.dtype)
print(b.shape)
print(b.numpy())

#创建矩阵
c = tf.constant([[1,2],[2,3]])
print(c)
print(c.dtype)
print(c.shape)
print(c.numpy())

#字符串类型
e = tf.constant("hello, deep learning")
#字符串类型的工具函数有 join  、split 、 length
print(tf.strings.length(e))

#创建布尔类型
f = tf.constant([True,False])
print(f.dtype)
print(f.shape)

运行结果：以第一个为例

#对于数值类型的张量，可以指定精度
h1 = tf.constant(1.2364,dtype = tf.float32)
print(h1.dtype)
print(h1)
#用cast进行数据类型的转换
h2 = tf.cast(h1,tf.int32)
print(h2.dtype)
print(h2)

#待优化张量，对于需要计算梯度并优化的装量
t = tf.constant([-1,1,2,32])
tt = tf.Variable(t)
tt.name  #用于命名计算图中的变量
tt.trainable #m默认启用优化标志

#array或者list 转换成tensor
n = [1,2,3]
m = tf.convert_to_tensor(n)
print(m.dtype)
print(m.shape)
n = np.array([[1,2],[1,2]])

#constant 和 convert_to_tensor 作用一样
print(tf.constant(n))
print(tf.convert_to_tensor(n))

#创建全0、全1的张量
m = tf.zeros([2,3])#后面表示创建的张量维度
n= tf.ones([1])
print(n)
print(m)
print(tf.ones_like(m))#创建与张量m形状一样的全1张量

#创建自定义数值张量
tf.fill([3,4],45)

#创建已知分布的张量
#正态分布 tf.random.normal(shape,mean = 0.0, stddev = 1.0)
m = tf.random.normal((2,2),mean = 0.0, stddev = 1.0)
print(m)
#均匀分布 tf.random.uniform(shape, minval=0, maxval=None, dtype=tf.float32)可以创建采样自[𝑚𝑖𝑛𝑣𝑎𝑙, 𝑚𝑎𝑥𝑣𝑎𝑙]区间的均匀分布的张量
n = tf.random.uniform((3,2),0,4,dtype=tf.float32)
print(n)

#tf.range()函数实现。tf.range(limit, delta=1)可以创建[0,𝑙𝑖𝑚𝑖𝑡)之间，步长为 delta 的整形序列，不包含 limit 本身
print(tf.range(10,delta = 2))
#tf.range(start, limit, delta=1)可以创建[𝑠𝑡𝑎𝑟𝑡, 𝑙𝑖𝑚𝑖𝑡)，步长为 delta 的序列，不包含 limit本身：
print(tf.range(1,4,delta = 1))

豆语：tensorflow 什么标量、向量、矩阵、字符串、布尔类型的数据，创建的时候，直接constant完事，nice！！

三、张量的典型应用
1、标量
就是一个简单的数字，典型用途之一是误差值的表示、各种测量指标的表示（准确度、精度、召回率等）
2、向量
偏置等
3、矩阵
输入
4、三维张量的典型应用是表示序列信号

5、四维张量在卷积神经网络中应用广泛，用于保存特征图数据