2-1张量数据结构——eat_tensorflow2_in_30_days

程序=数据结构+算法

TensorFlow程序=张量数据结构+计算图算法语言

张量和计算图是TensorFlow的核心概念

TensorFlow的基本数据结构是张量Tensor。张量即多维数组。TensorFlow的张量和NumPy中的ndarray很类似

从行为特性来看，有两种类型的张量，常量constant和变量Variable

常量的值在计算图中不可以被重新赋值，变量可以在计算图中用assign等算子重新赋值。

常量张量

张量的数据类型和numpy的ndarray基本一一对应。

import numpy as np
import tensorflow as tf

i = tf.constant(1)  # tf.int32类型常量
l = tf.constant(1, dtype=tf.int64)  # tf.int64类型常量
f = tf.constant(1.23)  # tf.float32类型常量
d = tf.constant(3.14, dtype=tf.double)  # tf.double类型常量
s = tf.constant("hello world")  # tf.string类型常量
b = tf.constant(True)  # tf.bool类型常量

print(tf.int64 == np.int64)
print(tf.bool == np.bool)
print(tf.double == np.float64)
print(tf.string == np.unicode)  # tf.string类型和np.unicode类型不等价

# True
# True
# True
# False

不同类型的数据可以用不同维度(rank)的张量表示

标量为0维张量，向量为1维张量，矩阵为2维张量

彩色图像有rgb三个通道，可以表示为3维张量

视频还有时间维，可以表示为4维张量

可以简单地总结为：有几层中括号，就是多少维的张量

scalar = tf.constant(True)
print(tf.rank(scalar))
print(scalar.numpy().ndim)

# tf.Tensor(0, shape=(), dtype=int32)
# 0

vector = tf.constant([1.0, 2.0, 3.0, 4.0])
print(tf.rank(vector))
print(np.ndim(vector.numpy()))

# tf.Tensor(1, shape=(), dtype=int32)
# 1

matrix = tf.constant([[1.0, 2.0], [3.0, 4.0]])
print(tf.rank(matrix))
print(np.ndim(matrix.numpy()))

# tf.Tensor(2, shape=(), dtype=int32)
# 2

tensor3 = tf.constant([[[1.0, 2.0], [3.0, 4.0]], [[5.0, 6.0], [7.0, 8.0]]])
print(tf.rank(tensor3))
print(np.ndim(tensor3.numpy))
print(tensor3.shape)

# tf.Tensor(3, shape=(), dtype=int32)
# 0
# (2, 2, 2)

tensor4 = tf.constant([[[[1.0 ,1.0], [2.0, 2.0]], [[3.0, 3.0], [4.0, 4.0]]], [[[5.0, 5.0], [6.0, 6.0]], [[7.0, 7.0], [8.0, 8.0]]]])
print(tf.rank(tensor4))
print(tensor4.numpy().shape)

# tf.Tensor(4, shape=(), dtype=int32)
# (2, 2, 2, 2)

可以用tf.cast改变张量的数据类型

可以用numpy方法将TensorFlow中的张量转化为numpy中的张量

可以用shape方法查看张量的尺寸

h = tf.constant([123, 456], dtype=tf.int32)
f = tf.cast(h, tf.float32)
print(h.dtype, f.dtype)

# <dtype: 'int32'> <dtype: 'float32'>

y = tf.constant([[1.0, 2.0], [3.0, 4.0]])
print(y.numpy())
print(y.shape)

"""
[[1. 2.]
 [3. 4.]]
(2, 2)
"""

u = tf.constant(u"你好 世界")
print(u.numpy())
print(u.numpy().decode("utf-8"))

"""
b'\xe4\xbd\xa0\xe5\xa5\xbd \xe4\xb8\x96\xe7\x95\x8c'
你好 世界
"""

变量张量

模型中需要被训练的参数一般被设置成变量

# 常量值不可以改变，常量的重新赋值相当于创造新的内存空间
c = tf.constant([1.0, 2.0])
print(c)
print(id(c))
c = c + tf.constant([1.0, 2.0])
print(c)
print(id(c))

"""
tf.Tensor([1. 2.], shape=(2,), dtype=float32)
2679663757448
tf.Tensor([2. 4.], shape=(2,), dtype=float32)
2679663757800
"""

# 变量的值可以改变，可以通过assign, assign_add等方法给变量重新赋值
v = tf.Variable([1.0, 2.0], name='v')
print(v)
print(id(v))
v.assign_add([1.0, 2.0])
print(v)
print(id(v))

"""
<tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([1., 2.], dtype=float32)>
2679663861832
<tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([2., 4.], dtype=float32)>
2679663861832
"""