TensorFlow常用张量函数

TensorFlow数据处理流程

先将数据加载至列表（元组）容器中，在通过convert_to_tensor()方法将数据转换为张量类型。在TensorFlow中运算处理后，再通过numpy()方法导出到普通Python程序能处理的数组和列表中，以方便其他模块调用。

范例：Python数组与张量类型转换

转换函数： tf.convert_to_tensor()

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'

a_list = list([1,2,3,])            #列表对象
b_tuple = (11.0, 22.2, 33)         #元组
c_str_tuple = "a", "b", "c", "d"   #字符串元组

tensor_a = tf.convert_to_tensor(a_list,dtype=tf.float32)
tensor_b = tf.convert_to_tensor(b_tuple)
tensor_c = tf.convert_to_tensor(c_str_tuple)
tensor_add = tf.math.add(tensor_a, tensor_b)

print(type(a_list))           #输出类型
print(type(tensor_a))

print(type(b_tuple))
print(type(tensor_b))
print(type(c_str_tuple))
print(type(tensor_c))
print(type(tensor_add))

tf.print(tensor_c)       #输出tensor_c中的数据
tf.print(tensor_add)     #输出tensor_add中的数据

输出：

["a" "b" "c" "d"]
[12 24.2 36]
<class 'list'>
<class 'tensorflow.python.framework.ops.EagerTensor'>
<class 'tuple'>
<class 'tensorflow.python.framework.ops.EagerTensor'>
<class 'tuple'>
<class 'tensorflow.python.framework.ops.EagerTensor'>
<class 'tensorflow.python.framework.ops.EagerTensor'>

TensorFlow中的常量与变量

常量型张量： tf.constant()
Variable变量： tf.Variable() 在机器学习任务中，某些参数（如模型参数）可能需要长期保存，且其值还可能不断被迭代更新，这时就需要用到变量（Variable）。

特别提示： tf作为框架名，其点操作符(.)后面成员的首字母时而小写（如tf.function）时而大写（如tf.variable）这是为什么呢？简单来说，这是TensorFlow的一个编程约定，若成员首字母小写，则表明这个元素直接隶属于TensorFlow框架，是一级方法成员；若成员首字母大写，则表明该元素是一个设计好的类（Class），他还需要接着定义对象才能使用。如Variable就是一个类，它有自己的构造方法和成员方法。

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'

my_state = tf.Variable(1.0)    #定义一个变量对象
one = tf.constant(1.0)         #定义一个常量
#变量加1操作后并自我赋值
read_and_increment = tf.function(lambda: my_state.assign_add(one))
print(my_state)

for _ in range(3):
    read_and_increment()
    print(my_state.numpy())

输出：

<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.0>
2.0
3.0
4.0

特别提示： for循环中有一个下划线变量"_"，这里可将它理解为“垃圾箱变量”，因为这个下画线虽然可以用来接收变量，但此处我们并不准备用它，这里我们看重的是整个for循环的次数。

tf.Variable对象可以理解为一个常驻内存、不会被轻易回收的张量。例如：神经网络层中的连接权重w和偏置b，它们时时刻刻都在发生变化，而且更新当前值时，还可能需要上一次的变量值，因此需要通过tf.Variable将其封装起来，以便TensorFlow跟踪梯度相关的信息。
tf.Variable有两个属性：name和trainable。通常，如果不对tf.Variable的name属性进行显式命名，那么TensorFlow内部会自动维护这套命名体系，以保证命名的唯一性和规整性。trainable是布尔类型的属性，默认为True。trainable属性值要“从一而终”，后期不许修改。

特别提示： 可以使用 @tf.function() 构建计算图，提高执行效率。
使用方法：在函数前一行加上上式即可。

常用张量生成方法

全0张量： tf.zeros(shape, dtype=tf.dtypes.floats32, name=None)
全1张量： tf.ones()
生成全为给定值的张量： tf.fill(dims, value, name=None) 其中，dim：维度信息，value：填充的值，name：为本操作命名，非必须。
生成已知分布的随机数张量
正态分布的张量生成：tf.random.normal(shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32, seed=None, name=None) 其中，shape：输出张量尺寸，mean：均值，stddev：方差，seed：随机数种子。
均匀分布的张量生成：tf.random.uniform(shape, minval=0, maxval=None, dtype=tf.float32) 其中，[minval, maxval]为均匀分布采样区间。若不指定，默认为[0, 1)。
创建特定张量序列
tf.range(limit, delta=1, dtype=None, name=‘range’) 或
tf.range(start, limit, delta=1, dtype=None, name=‘range’)
其中，start：开始元素，limit：训练的上限，无法取到，delta：步长。

张量的索引和切片

索引是指张量元素所在的位置编号。
切片规则：张量名[start: end: step] ，其中冒号（:）作为切片的分隔符，start表示切片的起始索引，从0开始，-1表示结束；end表示切片的结束（注意，不包含end位）；step表示步长（相当于采样间隔），步长为正时，从左向右采样取值，步长为负时，则反向采样取值。

张量的维度伸缩与变换

张量中的轴： 张量维度称为轴（Axis）方向。第0维度就是axis=0，第1维度是axis=1，以此类推。通常把三维张量的axis=0设置为深度（depth）或样本的数量。
张量维度的增加和删除：
常用方法
tf.expand_dims() 增加张量维度
tf.concat() 合并两个张量
tf.squeeze() 缩减张量维度

import tensorflow as tf
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'

A = tf.random.normal([5, 30, 7])
print(A.shape)
A = tf.expand_dims(A, axis=0)
print(A.shape)
B = tf.random.normal([5, 30, 7])
B = tf.expand_dims(B, axis=0)
A_B = tf.concat([A, B], axis=0)
print(A_B.shape)
A = tf.squeeze(A, axis=0)
print(A.shape)

输出：

(5, 30, 7)
(1, 5, 30, 7)
(2, 5, 30, 7)
(5, 30, 7)

张量的合并、分割

合并： tf.concat(values, axis, name=‘concat’)
其中， values是需要拼接的向量，多个向量用列表 [ ] 括起来，axis指定在哪个轴上拼接，name本操作的名称。
分割： tf.split(value, num_or_size_splits, axis=0, num=None, name=‘spllit’)
其中，value待分割张量。num_or_size_splits表明分割方案，当num_or_size_splits为单个数值时，如10，表示将张量等分为10份；当num_or_size_splits为列表时，列表的每个元素表示每份的长度，如[2, 4, 3, 2] 表示将张量分割为4块（即列表的长度）， 每块的元素个数依次是2个，4个， 3个，2个。axis指定分割的维度索引号，默认在第0轴进行分割。

参考书籍：深度学习与TensorFlow实践 张玉宏
陆续更新