TensorFlow笔记-组件
TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.其实张量更代表的就是一种多位数组。
阶
在TensorFlow系统中,张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶(有时是关于如顺序或度数或者是n维)是张量维数的一个数量描述.比如,下面的张量(使用Python中list定义的)就是2阶.
t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
你可以认为一个二阶张量就是我们平常所说的矩阵,一阶张量可以认为是一个向量.
阶 | 数学实例 | Python | 例子 |
---|---|---|---|
0 | 纯量 | (只有大小) | s = 483 |
1 | 向量 | (大小和方向) | v = [1.1, 2.2, 3.3] |
2 | 矩阵 | (数据表) | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
3 | 3阶张量 | (数据立体) | t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]] |
n | n阶 | (自己想想看) | .... |
数据类型
Tensors有一个数据类型属性.你可以为一个张量指定下列数据类型中的任意一个类型:
数据类型 | Python 类型 | 描述 |
---|---|---|
DT_FLOAT | tf.float32 | 32 位浮点数. |
DT_DOUBLE | tf.float64 | 64 位浮点数. |
DT_INT64 | tf.int64 | 64 位有符号整型. |
DT_INT32 | tf.int32 | 32 位有符号整型. |
DT_INT16 | tf.int16 | 16 位有符号整型. |
DT_INT8 | tf.int8 | 8 位有符号整型. |
DT_UINT8 | tf.uint8 | 8 位无符号整型. |
DT_STRING | tf.string | 可变长度的字节数组.每一个张量元素都是一个字节数组. |
DT_BOOL | tf.bool | 布尔型. |
DT_COMPLEX64 | tf.complex64 | 由两个32位浮点数组成的复数:实数和虚数. |
DT_QINT32 | tf.qint32 | 用于量化Ops的32位有符号整型. |
DT_QINT8 | tf.qint8 | 用于量化Ops的8位有符号整型. |
DT_QUINT8 | tf.quint8 | 用于量化Ops的8位无符号整型. |
然后是tensorflow中对于各种数据的操作:
注意上面向量运算中第三个:分割(split)
tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)
tf.ones(shape, dtype=tf.float32, name=None)
tf.ones_like(tensor, dtype=None, name=None
tf.fill(dims, value, name=None)创建一个张量的形状dims并填充它value
tf.constant(value, dtype=None, shape=None, name='Const')创建一个常数张量。
创建随机张量
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
从正态分布中输出随机值,由随机正态分布的数字组成的矩阵
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
从截断的正态分布中输出随机值,和 tf.random_normal() 一样,但是所有数字都不超过两个标准差
tf.random_shuffle(value, seed=None, name=None)
沿其第一维度随机打乱
tf.set_random_seed(seed)
设置图级随机种子
形状和变换
可用于确定张量的形状并更改张量的形状
-
tf.shape(input, name=None)
-
tf.size(input, name=None)
-
tf.rank(input, name=None)
-
tf.reshape(tensor, shape, name=None)
-
tf.squeeze(input, squeeze_dims=None, name=None)
-
tf.expand_dims(input, dim, name=None)
t = tf.placeholder(tf.float32,[None,2])
张量复制与组合
-
tf.identity(input, name=None)
-
tf.tuple(tensors, name=None, control_inputs=None)
-
tf.group(inputs, *kwargs)
-
tf.no_op(name=None)
-
tf.count_up_to(ref, limit, name=None)
逻辑运算符
-
tf.logical_and(x, y, name=None)
-
tf.logical_not(x, name=None)
-
tf.logical_or(x, y, name=None)
-
tf.logical_xor(x, y, name='LogicalXor')
比较运算符
-
tf.equal(x, y, name=None)
-
tf.not_equal(x, y, name=None)
-
tf.less(x, y, name=None)
-
tf.less_equal(x, y, name=None)
-
tf.greater(x, y, name=None)
-
tf.greater_equal(x, y, name=None)
-
tf.select(condition, t, e, name=None)
-
tf.where(input, name=None)
判断检查
-
tf.is_finite(x, name=None)
-
tf.is_inf(x, name=None)
-
tf.is_nan(x, name=None)
-
tf.verify_tensor_all_finite(t, msg, name=None) 断言张量不包含任何NaN或Inf
-
tf.check_numerics(tensor, message, name=None)
-
tf.add_check_numerics_ops()
-
tf.Assert(condition, data, summarize=None, name=None)
-
tf.Print(input_, data, message=None, first_n=None, summarize=None, name=None)。
运行注意
import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
实例代码:
import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' a = tf.constant(2) # 0维() 一维(4) 二维(2,3) 三维(2,3,4) # with tf.Session() as sess: # print(a.shape) # print(a.op) # print(a.name) b = tf.placeholder(tf.float32,[None,2]) print(b) b.set_shape([3,2]) print(b) # 一旦静态形状已经固定则不能设置了 # b.set_shape([3,2]) ValueError # 下面是动态修改,就是生成一个和原来数据的元素数量匹配的新的 c = tf.reshape(b,[2,3]) print(c)