Tensorflow2.0笔记03——基本概念

Tensorflow2.0笔记

本博客为Tensorflow2.0学习笔记,感谢北京大学微电子学院曹建老师

3 Tensorflow2.0 基本概念与常见函数

3.1 基本概念

​ TensorFlow 中的 Tensor 表示张量,是多维数组、多维列表,用阶表示张量的维数。0 阶张量叫做标量,表示的是一个单独的数,如 123;1 阶张量叫作向量, 表示的是一个一维数组如[1,2,3];2 阶张量叫作矩阵,表示的是一个二维数组, 它可以有 ij 列个元素,每个元素用它的行号和列号共同索引到,如在[[1,2,3],[4,5,6],[7,8,9]]中,2 的索引即为第 0 行第 1 列。张量的阶数与方括号的数量相同,0 个方括号即为 0 阶张量,1 个方括号即为 1 阶张量。故张量可以表示0 阶到 n 阶的数组。也可通过 reshape 的方式得到更高维度数组,举例如下:

​ c = np.arange(24).reshape(2,4,3)

​ print(c)

输出结果:[[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]

​ [[12 13 14] [15 16 17] [18 19 20] [21 22 23]]]

​ TensorFlow 中数据类型包括 32 位整型(tf.int32)、32 位浮点(tf.float32)、64 位浮点(tf.float64)、布尔型(tf.bool)、字符串型(tf.string)

​ 创建张量有若干种不同的方法:

(1) 利用 tf.constant(张量内容,dtype=数据类型(可选)),第一个参数表示张量内容, 第二个参数表示张量的数据类型。举例如下:

​ import tensorflow as tf a=tf.constant([1,5],dtype=tf.int64)

​ print(a)

​ print(a.dtype)

​ print(a.shape)

​ 输出结果为:

​ <tf.Tensor([1,5], shape=(2 , ) , dtype=int64)>

​ <dtype: 'int64'>

​ (2,)

​ (2,)

​ 即会输出张量内容、形状与数据类型,shape 中数字为 2,表示一维张量里有 2个元素。

​ 注:去掉 dtype 项,不同电脑环境不同导致默认值不同,可能导致后续程序 bug

(2) 很多时候数据是由 numpy 格式给出的,此时可以通过如下函数将 numpy 格式化为 Tensor 格式:tf. convert_to_tensor(数据名,dtype=数据类型(可选))。举例如下:

​ import tensorflow as tf

​ import numpy as np

​ a = np.arange(0, 5)

​ b = tf.convert_to_tensor( a, dtype=tf.int64 )

​ print(a)

​ print(b)

​ 输出结果为:[0 1 2 3 4]

​ tf.Tensor([0 1 2 3 4], shape=( 5 , ), dtype=int64)

​ 可见,将 numpy 格式的 a 转换成了 Tensor 格式的 b。

(3) 可采用不同函数创建不同值的张量。如用 tf. zeros(维度)创建全为 0 的张量, tf.ones(维度)创建全为 1 的张量,tf. fill(维度,指定值)创建全为指定值的张量。其中维度参数部分,如一维则直接写个数,二维用[行,列]表示,多维用[n,m,j..] 表示。举例如下:

​ a = tf.zeros([2, 3])

​ b = tf.ones(4)

​ c = tf.fill([2, 2], 9)

​ print(a)

​ print(b)

​ print(c)

​ 输出结果:tf.Tensor([[0. 0. 0.] [0. 0. 0.]], shape=(2, 3), dtype=float32)

​ tf.Tensor([1. 1. 1. 1.], shape=(4, ), dtype=float32)

​ tf.Tensor([[9 9] [9 9]], shape=(2, 2), dtype=int32)

​ 可见,tf.zeros([2,3])创建了一个二维张量,第一个维度有两个元素,第二个维度有三个元素,元素的内容全是 0;tf.ones(4)创建了一个一维张量,里边有 4 个元素,内容全是 1;tf.fill([2,2],9)创建了一个两行两列的二维张量,第一个维度有两个元素,第二个维度也有两个元素,内容都是 9。

(4) 可采用不同函数创建符合不同分布的张量。如用 tf. random.normal (维度, mean=均值,stddev=标准差)生成正态分布的随机数,默认均值为 0,标准差为 1; 用 tf. random.truncated_normal (维度,mean=均值,stddev=标准差)生成截断式正态分布的随机数,能使生成的这些随机数更集中一些,如果随机生成数据的取值在(m - 2su + 2s ) 之外则重新进行生成,保证了生成值在均值附近;利用 tf.random. uniform(维度,minval=最小值,maxval=最大值),生成指定维度的均匀分布随机数,用 minval 给定随机数的最小值,用 maxval 给定随机数的最大值, 最小、最大值是前闭后开区间。举例如下:

​ d = tf.random.normal ([2, 2], mean=0.5, stddev=1)

​ print(d)

​ e = tf.random.truncated_normal ([2, 2], mean=0.5, stddev=1)

​ print(e)

​ f = tf.random.uniform([2, 2], minval=0, maxval=1)

​ print(f)

​ 输出结果:tf.Tensor([[0.7925745 0.643315 ]

​ [1.4752257 0.2533372]], shape=(2, 2), dtype=float32)

​ tf.Tensor([[ 1.3688478 1.0125661 ]

​ [ 0.17475659 -0.02224463]], shape=(2, 2), dtype=float32)

​ tf.Tensor([[0.28219545 0.15581512]

​ [0.77972126 0.47817433]], shape=(2, 2), dtype=float32)

posted @ 2021-01-08 23:35  Mr_WildFire  阅读(70)  评论(0编辑  收藏  举报