list: [1,1.2,'hello'] ,存储图片占用内存非常大 np.array,存成一个静态数组,但是numpy在深度学习之前就出现了,所以不适合深度学习 tf.Tensor,为了弥补numpy的缺点,更多的是为了深度学习而生
tensor数据存储类型 scalar:标量,1.1 vector:向量,[1.1],[1.1,2.2,...] matrix: 矩阵,[[1.1,2.2],[3.3,4.4]] tensor:rank>2
数据类型:
Int, float, double
bool
string
定义tensor tf.constant(1) # 定义常量,普通的tensor tf.constant(1.) # 定义常量,普通的tensor tf.constant([True, False]) # 定义常量,普通的tensor tf.constant('hello nick')
属性 with tf.device('cpu'): a = tf.constant([1]) with tf.device('gpu'): b = tf.constant([1])
a.device # 设备属性 a.gpu() # cpu转gpu a.numpy() # 获取numpy数据类型 a.shape # 获取a的属性 a.ndim # 获取维度 tf.rank(a) # 获取维度 a.name # 1.+历史遗留问题
数据类型判断 instance(a,tf.Tensor) # 判断是否为tensor tf.is_tensor(a) # 判断是否为tensor a.dtype,b.dtype,c.dtype # 判断数据类型
数据类型转换 a = np.arange(5) aa = tf.convert_to_tensor(a,dtype=tf.int32) # numpy转tensor tf.cast(aa,dtype=tf.float32) # tensor之间数据类型转换 # int --》 bool b = tf.constant([0,1]) tf.cast(b,dtype=tf.bool) # int --》bool # tf.Variable a = tf.range(5) b = tf.Variable(a) # tensor转为Variable后具有求导的特性,即自动记录a的梯度相关信息 b.name # Variable:0 b = tf.Variable(a, name='input_data') b.name # input_data:0 b.trainable # True isinstance(b,tf.Tensor) # False isinstance(b,tf.Variable) # True tf.is_tensor(b) # True # 推荐使用
tensor转numpy a= tf.range(5) a.numpy() # a必须是scalar a = tf.ones([]) a.numpy() int(a) float(a)