TensorFlow2.0 入门笔记（1）

测试TensorFlow版本

下面展示 测试Tensorflow版本。

// 导入Tensorflow 和 Keras
import tensorflow as tf
from tensorflow.keras import layers
print(tf.__version__)
print(tf.keras.__version__)

我的TensorFlow版本如下：

Tensorflow2.0 基础运算和操作

NumPy兼容性 在TensorFlow tf.Tensors和NumPy ndarray之间转换很容易：

• TensorFlow操作自动将NumPy ndarrays转换为Tensors。
• NumPy操作自动将Tensors转换为NumPy ndarrays。 使用.numpy（）方法将张量显式转换为NumPy ndarrays。
• 这些转换通常很容易的，但是注意：array和tf.Tensor共享底层内存并不总是可行的，因为tf.Tensor可以托管在GPU内存中，而NumPy阵列总是由主机内存支持，并且转换涉及从GPU到主机内存的复制。

Tensors运算和操作

张量是一个多维数组。 与NumPy ndarray对象类似，tf.Tensor对象具有数据类型dtype和形状shape。
下面展示 创建数据集。

import tensorflow as tf
import numpy as np
print(tf.add(1,2))
print(tf.add([3,8], [2,5]))
print(tf.square(6))
print(tf.reduce_sum([7,8,9]))
print(tf.square(3)+tf.square(4))

x = tf.matmul([[3], [6]], [[2]])
print(x)
print(x.shape)
print(x.dtype)

Dataset 创建数据集

创建源数据集可以使用其中一个工厂函数Dataset.from_tensors，Dataset.from_tensor_slices 或使用从TextLineDataset或TFRecordDataset等文件读取的对象创建源数据集。
下面展示 创建数据集。

import tensorflow as tf
import numpy as np
# 从列表中获取tensor
ds_tensors = tf.data.Dataset.from_tensor_slices([6,5,4,3,2,1])
# 创建csv文件
import tempfile
_, filename = tempfile.mkstemp()
print(filename)

with open(filename, 'w') as f:
    f.write("""Line 1
Line 2
Line 3""")
# 获取TextLineDataset数据集实例
ds_file = tf.data.TextLineDataset(filename)

• dataset = tf.data.TextLineDataset(file_path)
  这个接口生成一个dataset，dataset类中保存的元素：文中一行，就是一个元素，是string类型的tensor。

• map：map( map_func, num_parallel_calls=None)
  对map（函数）中元素进行操作，例如：
  a = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ]
  a.map(lambda x: x + 1) # ==> [ 2, 3, 4, 5, 6 ]

• shuttle()：本质是打乱元素的顺序，随机组合。括号中的数字是buffer_size。

• batch(): a = Dataset.range(1, 4) # ==> [ 1, 2, 3 ]
  b = Dataset.range(4, 7) # ==> [ 4, 5, 6 ]
  c = Dataset.range(7, 13).batch(2) # ==> [ [7, 8], [9, 10], [11, 12] ]

• zip(): 将多个dataset组合起来，注意要把多个dataset用括号包起来！
  Dataset.zip((a, b)) # ==> [ (1, 4), (2, 5), (3, 6) ]
  Dataset.zip((b, a)) # ==> [ (4, 1), (5, 2), (6, 3) ]
  Dataset.zip((a, b, c)) # ==> [ (1, 4, [7, 8]),
  # (2, 5, [9, 10]),
  # (3, 6, [11, 12]) ]

下面展示 对数据集进行运算。

ds_tensors = ds_tensors.map(tf.square).shuffle(2).batch(2)
ds_file = ds_file.batch(2)
print('ds_tensors中的元素：')
for x in ds_tensors:
    print(x)
    
# 从文件中读取的对象创建的数据源
print('\nds_file中的元素：')
for x in ds_file:
    print(x)

结果图如下