TensorFlow基础(2)创建张量
# 创建张量
tf.constant(
value, # 数字、list、ndarray
dtype, # 数据类型
shape # 形状
)
# 是对ndarray的封装
>>> tf.constant([[1,2], [3,4]])
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
[3, 4]])>
# 可转为ndarray
>>> a = tf.constant([[1,2], [3,4]])
>>> a.numpy()
array([[1, 2],
[3, 4]])
>>> type(a)
<class 'tensorflow.python.framework.ops.EagerTensor'>
# 转换
>>> a = tf.convert_to_tensor([[1,2], [3,4]])
>>> a.numpy()
array([[1, 2],
[3, 4]])
>>> type(a)
<class 'tensorflow.python.framework.ops.EagerTensor'>
类型转换
# 可转为ndarray
a = tf.constant([[1, 2], [3, 4]])
b = tf.cast(a, dtype=tf.float32)
a.dtype # tf.int32
b.dtype # tf.float32
# 注意:高精度到低精度时会产生溢出
# 布尔 => 整型
True 变 1
False 变 0
# 整型 => 布尔
非0 变 True
0 变 False
# 判断张量
tf.is_tensor(a) # True
自动、随机设值
tf.zeros(shape, dtype=tf.float32) # 全0
tf.ones(shape, dtype=tf.float32) # 全1
tf.fill(dims, value) # 元素值都相同的tensor
tf.fill([2, 3], 9)
tf.constant(9, shape=[2,3])
# 随机张量
tf.random.normal(
shape,
mean, # 均值
stddev, # 标准差
dtype
)
tf.random.normal([3, 3, 3], mean=0.0, stddev=2.0)
# 截断正态分布,2倍标准差以外的会被去掉
ft.random.truncated_normal(shape, mean, stddev, dtype)
tf.random.set_seed(8) # 随机种子
tf.random.normal([2, 2])
# 均匀分布,前闭后开
tf.random.uniform(shape, minval, maxval, dtype)
# 随机打乱(只打乱第0维度)
tf.random.shuffle(tensor)
# range,默认从0开始,不包括结束数字,delta默认为1
tf.range(start, limit, delta=1, dtype)
属性
- ndim
- shape
- dtype
a = tf.constant([[1, 2], [3, 4]])
a.ndim # tf.rank(a)
a.shape # tf.shape(a)
a.dtype # 类型
tf.size(a) # 元素总数
注意:
- 在TensorFlow中,所有的运算都是在张量之间进行的
- NumPy数组仅仅是作为输入和输出来使用
- 张量可以运行于CPU,GPU
- NumPy只能运行于CPU
- 当Tensor在CPU中运行时,其NumPy与Tensor共用同一段内存