4、张量的结构和操作

---

 

（1）张量的阶和数据类型

• 数组：numpy：ndarray类型，有0维，1维，2维等
• 矩阵：2维
• 张量：一个类型化（tensor类型）的N维数组

①基本数据类型 

 由三部分组成：名字（即op的类型，后面的0没有什么意义），张量的形状，类型

　　  Tensor("Placeholder:0", shape=(2, 2), dtype=float32)

 

②张量的阶

 ③张量的类型，每个类型的精度是不一样的

④张量的属性

　●graph      张量所属的默认图

　●op　　　张量的操作名.

　●name　  张量的字符串描述

　●shape 　张量形状

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

a = tf.constant([2,2])   #定义一个常量
b = tf.constant([4,4])
sum1 = tf.add(a,b)    #加法操作

#a,b,sum都是张量
print("a: \n",a)
print("_"*50)
print("b:\n ",b)
print("_"*50)
print("sum1\n: ",sum1)
print("_"*50)
print("a.graph:\n ",a.graph)
print("_"*50)
print("a.op: \n",a.op)
print("_"*50)
print("a.name: \n",a.name)
print("_"*50)
print("a.shape: \n",a.shape)

输出：

a: 
 Tensor("Const:0", shape=(2,), dtype=int32)
__________________________________________________
b:
  Tensor("Const_1:0", shape=(2,), dtype=int32)
__________________________________________________
sum1
:  Tensor("Add:0", shape=(2,), dtype=int32)
__________________________________________________
a.graph:
  <tensorflow.python.framework.ops.Graph object at 0x0000021A13005F60>
__________________________________________________
a.op: 
 name: "Const"
op: "Const"
attr {
  key: "dtype"
  value {
    type: DT_INT32
  }
}
attr {
  key: "value"
  value {
    tensor {
      dtype: DT_INT32
      tensor_shape {
        dim {
          size: 2
        }
      }
      tensor_content: "\002\000\000\000\002\000\000\000"
    }
  }
}

__________________________________________________
a.name: 
 Const:0
__________________________________________________
a.shape: 
 (2,)

⑤形状　（在深度学习中，形状的改变是经常见到的）

• TensorFlow打印出来的形状表示

　　　0维：（）

　　　1维：（2）

　　　2维：（2，3）

　　　3维：（2，3，4），表示2张3维4列的表

•  张量的动态形状与静态形状

  TensorFlow中， 张量具有静态形状和动态形状

  （1）静态形状：创建一个张量，初始状态的形状

  　　tf.Tensor.get_shape：获取静态形状

  　　tf.Tensor.set_shape()：更新Tensor对象的静态形状，通常用于在不能直接推断的情况下

#设置静态形状
1 plt = tf.placeholder(tf.float32,[None, 2])  #用[ ]不用()
print(plt)  # Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
plt.set_shape([3,2])
print(plt)

输出：

Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Placeholder:0", shape=(3, 2), dtype=float32)

 

---

 

Φ 对于静态形状来说，一旦张量的形状固定了，那么便不能再次设置静态形状，如果想要需改形状，可以通过动态形状，重新生成一个新的张量。

再次设置形状
1 plt = tf.placeholder(tf.float32,[None, 2])  #用[ ]不用()
print(plt)  # Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
plt.set_shape([3,2])
print(plt)
plt.set_shape([6,2]) #静态形状不能再次修改
print(plt)

输出：

ValueError: Dimension 0 in both shapes must be equal, but are 3 and 6. Shapes are [3,2] and [6,2].

　　 （2）动态形状：一种描述原始张量在执行过程中的一种形状(动态变化)

　　         tf.reshape：创建一个具有不同动态形状的新张量（numpy中的reshape是将原来的数据进行直接修改）

 注意：通过静态形状设置维[3，2]

通过reshape可以再次修改张量的形状，但是受限于张量中元素的个数，新的动态张量的元素必须和原张量的元素个数一致，这里首先使用静态形状方法改变形状，再使用动态形状改变
 1 plt = tf.placeholder(tf之后.float32,[None, 2])  #用[ ]不用()
print(plt)  # Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
plt.set_shape([3,2])
print(plt)

# plt_reshpe = tf.reshape(plt,[3,4])  #形状固定了之后也只能在固定的元素中调整
# print(plt_reshpe)

plt_reshpe = tf.reshape(plt,[2,3])
print(plt_reshpe)

输出：

Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Placeholder:0", shape=(3, 2), dtype=float32)
Tensor("Reshape:0", shape=(2, 3), dtype=float32)

---

如果原张量没有指定形状，即[None, 2]，那么在使用动态形状改变方式reshape后得到新的张量，还是可以再次使用得到不一样总元素的张量

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升

plt = tf.placeholder(tf.float32,[None, 2])  #用[ ]不用()
print(plt)  # Tensor("Placeholder:0", shape=(?, 2), dtype=float32)

plt_reshpe = tf.reshape(plt,[2,3])
print(plt_reshpe)

plt_reshpe = tf.reshape(plt,[6,2])  #动态数组可以再次修改
print(plt_reshpe)

输出：

Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Reshape:0", shape=(2, 3), dtype=float32)
Tensor("Reshape_1:0", shape=(6, 2), dtype=float32)

 综上：静态形状和动态形状的区别在于有没有生成一个新的张量数据，静态形状在修改确定后便不能再次进行设置，动态形状的修改受限于原来张量的元素个数，如果原来的张量的元素个数不确定，那么在使用动态形状修改后，仍然可以再次使用动态形状修改，而且不受限于元素的个数，因为动态形状改变就会生成一个新的张量数据，与原来的张量无关，所以再次使用动态形状修改自然也是可以的。

1、转换静态形状的时候，1-D到1-D， 2-D到2-D，不能跨阶数改变形状

2、对于已经固定或者设置静态形状的张量/变量，不能再次设置静态形状

3、tf.reshape()动态 创建新张量时，元素个数不能不匹配

---

 （2）张量的操作

 ① 生成张量

    1、生成固定值张量

• tf.zeros(shape, dtype=tf.float32, name=None)  （常见）

　　  创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。

• tf.zeros_like(tensor, dtype=None, name=None)

　　 给tensor定单张量() ，此操作返回tensor与所有元素设置为零相同的类型和形状的张量。

• tf.ones(shape, dtype=tf.float32, name=None)    （常见）

　　创建一个所有元素设置为1的张量。此操作返回一个类型的张量，dtype形状shape和所有元素设置为1.

• tf.ones_like(tensor, dtype=None, name=None)

　　给tensor定单张量() ，此操作返回tensor与所有元素设置为1相同的类型和形状的张量。

• tf.fill(dims, value, name=None)

　　创建一个填充了标量值的张量。此操作创建一个张 量的形状dims并填充它value.

• tf.constant(value, dtype=None, shape=None, name='Const')   （常见）

　　创建一个常数张量。

例：进入交互式操作，然后可以用eval（）提取zeros的数据

   2、生成随机值张量

　　一般我们经 常使用的随机数函数Math.random0产生的是服从均匀分布的随机数，能够模拟等概率出现的情况，例如扔一个骰子, 1到6点的概率应该相等，但现实生活中更多的随机现象是符合正态分布的，例如20岁成年人的体重分布等。

　　假如我们在制作一个游戏， 要随机设定许许多多NPC的身高，如果还用Math.random（），生成从140到220之间的数字，就会发现每个身高段的人数是一-样多的,这是比较无趣的，这样的世界也与我们习惯不同,现实应该是特别高和特别矮的都很少，处于中间的人数最多，这就要求随机函数符合正态分布。　　

• tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype =tf.float32, seed=None, name=None)   （mean表示平均值，stddev表示标准差）

　　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_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

 

 

　3、张量的类型转换

提供了如下一些改变张量中数值类型的函数

• tf.string_ to. number(string_ _tensor, out_ _type=None, name=None)
• tf.to double(x, name='ToDouble)
• tf.to_ float(x, name='ToFloat')
• tf.to_ bfloat16(x, name='ToBFloat16')
• tf.to_ _int32(x, name='Tolnt32')
• tf.to_ jint64(x, name= 'Tolnt64')
• tf.cast(x, dtype, name=None)   （万能转换）

 int32—>float32

 

 

  4、张量的切片与拓展

 tf.concat(values,axis,name='cancat')