Tensorflow中的tensor数据载体中的基本数据类型
# 在记录基本数据类型的时候，我们先说一下Tensor，Tensor是
# tensor 是tensorflow的一个数据载体，里面有大量的数据存储
# tensor 中存储的数据有哪些
# 1.scalar:1.1
# 2.vector:[1.1],[1.1,1.2]
# 3.matrix:[[1.1,2.2]] 相当于一个矩阵
# 4.tensor:rank>2 只要是维度大于2 都可以叫做tensor,tensor
# 基本代表的机器学习的所有数据类型
1.创建基本数据类型
import tensorflow as tf
import numpy as np
# 基本数据类型 (1) 为 int
x = tf.constant(1)
# tf.Tensor(1, shape=(), dtype=int32)
a = tf.constant(2)
# tf.Tensor(2, shape=(), dtype=int32)
b = tf.constant(3)
# tf.Tensor(3, shape=(), dtype=int32)
c = tf.constant(4)
# tf.Tensor(4, shape=(), dtype=int32)
print(x, a, b, c)
# 基本数据类型 (1.) 为 float
x = tf.constant(1.)
# tf.Tensor(1.0, shape=(), dtype=float32)
a = tf.constant(2.)
# tf.Tensor(2.0, shape=(), dtype=float32)
b = tf.constant(3.)
# tf.Tensor(3.0, shape=(), dtype=float32)
c = tf.constant(4.)
# tf.Tensor(4.0, shape=(), dtype=float32)
print(x, a, b, c)
# 基本数据类型 bool
bol = tf.constant([True, False])
print(bol)
# tf.Tensor([ True False], shape=(2,), dtype=bool)
# 基本数据类型支持 string (简单了解一下)
st = tf.constant('hellow tensorflow')
print(st)
# tf.Tensor(b'hellow tensorflow', shape=(), dtype=string)
2.获取基本数据类型
with tf.device('gpu'):
r = tf.range(4) # 默认range(4) 就相当于 一个python中的列表 [0,1,2,3]
r1 = tf.range(1, 5) # 从1开始，不超过5
result_r = tf.rank(r)
print(r) # tf.Tensor([0 1 2 3], shape=(4,), dtype=int32)
print(r1) # tf.Tensor([1 2 3 4], shape=(4,), dtype=int32)
print(result_r) # tf.Tensor(1, shape=(), dtype=int32)
print(tf.is_tensor(r)) # True 判断是不是为 tensor数据
# 获取类型
a1 = tf.constant(1.)
b1 = tf.constant(1)
c1 = tf.constant([1.])
d1 = tf.constant([True, False])
f1 = tf.constant('hellow tensorflow')
print(a1.dtype, b1.dtype, c1.dtype, d1.dtype, f1.dtype) # 判断类型
# <dtype: 'float32'> <dtype: 'int32'> <dtype: 'float32'> <dtype: 'bool'> <dtype: 'string'>
print(a1.dtype == tf.float32) # True 可以直接进行比较
3.基本数据类型之间的相互转换
# 将 numpy数据转换成 Tensor数据 要用到 tf.convert_to_tensor()
a2 = np.arange(5) # 新建一个 numpy 数组
print(a2.dtype, a2) # int32 [0 1 2 3 4]
# 将numpy 中的a2 数据转换成tensor数据，但是默认转换的过程中，int32是不变的
convert_a2 = tf.convert_to_tensor(a2)
print(convert_a2) # tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int32)
# 如果需要将位也转变的话，就要加上第二个参数
convert_a2 = tf.convert_to_tensor(a2, dtype=tf.int64)
print(convert_a2) # tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)
# 将 int32 数据转换成 float32 数据 要用到 tf.cast
a3 = tf.constant(1)
print(a3) # tf.Tensor(1, shape=(), dtype=int32)
convert_a3 = tf.cast(a3, dtype=tf.float32) # 讲int32 类型的a3 转换成 float32
print(convert_a3) # tf.Tensor(1.0, shape=(), dtype=float32)
a4 = np.arange(5)
print(a4.dtype, a4) # int32 [0 1 2 3 4]
# 讲
convert_a4 = tf.convert_to_tensor(a4, dtype=tf.float32)
print(convert_a4) # tf.Tensor([0. 1. 2. 3. 4.], shape=(5,), dtype=float32)
again_convert_a4 = tf.cast(convert_a4, dtype=tf.int64)
print(again_convert_a4) # tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)
# 将int 转换为 bool
in1 = tf.constant([0, 1])
print(in1) # tf.Tensor([0 1], shape=(2,), dtype=int32)
convert_in1 = tf.cast(in1, dtype=tf.bool)
print(convert_in1) # tf.Tensor([False True], shape=(2,), dtype=bool)
# 将 bool转换为 int
bol1 = tf.constant([True, False])
print(bol1) # tf.Tensor([ True False], shape=(2,), dtype=bool)
convert_bol = tf.cast(bol1, dtype=tf.int32)
print(convert_bol) # tf.Tensor([1 0], shape=(2,), dtype=int32)
4.其他属性
# tensor 数据包装一个求导属性 要用到tf.Variable(),包装之后就会有可求导的特性
# 例子
a = tf.range(5)
vb_a = tf.Variable(a, name='input_data')
# 当tensor 数据 a 被tf.Variable() 之后 会有两个默认属性
# 1.name属性（基本不用）
# 2.vb_a.trainable (就是具有求导属性，后期详细讲解)
print(vb_a) # <tf.Variable 'input_data:0' shape=(5,) dtype=int32, numpy=array([0, 1, 2, 3, 4])>
b1 = vb_a.trainable
print(b1) # True
print(tf.is_tensor(vb_a)) # True 转换之后还是tensor数据
# tensor 数据 转变为 numpy
a=tf.constant(1.)
num_a=a.numpy() # 直接调用即可，numpy 主要运行在cpu,tensor主要运行在GPU
print(a.dtype,num_a)
