深度学习之路4

张量

在编写tensorflow程序时，程序传递和运算的主要目标是张量。

 张量的类型

 张量的阶

张量的创建

创建随机张量 

张量的变换

代码：

#张量的演示
def tensor_demo():
    '''
    张量的演示
    :return:
    '''
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1,2,3,4])
    linear_squares = tf.constant([[4],[9],[16],[25]],dtype=tf.int32)
    #0张量
    zero = tf.zeros(shape=[3,4])
    #1张量
    one = tf.ones(shape=[4,3])
    #随机张量.mean是均值，stddev是标准差
    random= tf.random_normal(shape=[2,3],mean=1.75,stddev=0.2)
    print("tensor1:\n",tensor1)
    print("tensor2:\n",tensor2)
    print("linear_squares:\n",linear_squares)
    print("zero:\n",zero)
    print("one:\n",one)
    print("random:\n",random)
    #张量类型的修改
    #改变张量的数据类型
    l_cast = tf.cast(linear_squares,dtype=tf.float32)
    print("l_cast:\n",l_cast)

    #改变静态形状(必须用placeholder，占位张量)
    a_p = tf.placeholder(dtype=tf.float32,shape=[None,None])
    b_p = tf.placeholder(dtype=tf.float32,shape=[None,10])
    c_h = tf.placeholder(dtype=tf.float32,shape=[3,2])
    print("a_p:\n",a_p)
    print("b_p:\n",b_p)
    print("c_h:\n", c_h)
    #静态更新形状未确定的部分,只能更新NONE的地方，并且维数 也是确定的
    #a_p.set_shape([3,2])
    #b_p.set_shape([2,10])
    #动态更新,
    a_p_reshape = tf.reshape(a_p,shape=[2,3,1])
    c_h_reshape = tf.reshape(a_p, shape=[3,3])
    print("c_h_reshape:\n", c_h_reshape)
    print("a_p:\n",a_p)
    print("a_p_reshape:\n",a_p_reshape)
    print("b_p:\n",b_p)
    return None

输出：