本节主要介绍了TensorFlow基础知识中与张量（Tensor）相关的部分，包括创建张量、张量运算、维度变换等

创建张量

TensorFlow的定义：An end-to-end open source machine learning platform
TensorFlow中的”Tensor”表示张量，其实就是多维数组

1.张量的基本创建

tf.constant(value,dtype,shape)
value可以是数字、python列表、numpy数组、bool类型、字符串

dtype:（可省略）

数据类型	描述
tf.int8	8位有符号整数
tf.int16	16位有符号整数
tf.int32	32位有符号整数
tf.int64	64位有符号整数
tf.uint8	8位无符号整数
tf.float32	32位浮点数
tf.float64	64位浮点数
tf.string	字符串（非Unicode编码的字节数组）
tf.bool	布尔型
tf.complex64	复数，实数和虚数分别为32位浮点数

shape：张量的形状（可省略）

创建Tensor对象

1 2	#创建张量 tf.constant([[1,2],[3,4]])

结果如下：

<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
       [3, 4]])>

使用张量.numpy()方法

#使用张量.numpy()方法
a=tf.constant([[1,2],[3,4]])
print(a.numpy())
print(30*"-")
print(a)
print(30*"-")
print(type(a))

结果如下：

[[1 2]
 [3 4]]
------------------------------
tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)
------------------------------
<class 'tensorflow.python.framework.ops.EagerTensor'>

参数为数字时，shape=()

#参数为数字时，shape=()
print(tf.constant(1.0))
print(30*"-")
tf.constant(1.)

结果如下：

1
2
3

tf.Tensor(1.0, shape=(), dtype=float32)
------------------------------
<tf.Tensor: shape=(), dtype=float32, numpy=1.0>

参数为NumPy数组

numpy创建浮点数数组时，默认的浮点型是64位浮点数
当使用numpy数组创建张量时，TensorFlow会接受数组元素的数据类型，使用64位浮点数保存数据

#参数为Numpy数组
import numpy as np
b=tf.constant(np.array([[1,2],[3,4]]))
print(b)
c=tf.constant(np.array([[1.0,2],[3,4]]))
print(c)

结果如下：

tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)
tf.Tensor(
[[1. 2.]
 [3. 4.]], shape=(2, 2), dtype=float64)

参数为字符串

1 2	#参数为字符串 tf.constant("hello")

结果如下：

<tf.Tensor: shape=(), dtype=string, numpy=b'hello'>

2.改变张量中元素的数据类型

tf.cast(x,dtype)#将返回一个张量对象

1 2	#改变张量中元素的数据类型 tf.cast(b,dtype=tf.float32)

结果如下：

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[1., 2.],
       [3., 4.]], dtype=float32)>

3.创建张量的其他函数

tf.convert_to_tensor(数组/列表/数字/布尔型/字符串）

1 2	#其他创建张量的函数 print(type(tf.convert_to_tensor([[1,2],[7,8]])))

结果如下：

<class 'tensorflow.python.framework.ops.EagerTensor'>

4.判断是否为张量

tf.is_tensor(a)
isinstance(a,tf.Tensor)

#判断是否为张量
print(tf.is_tensor(a))
print(tf.is_tensor([[1,2],[5,6]]))
print(isinstance(a,tf.Tensor)) 
print(isinstance(np.array([1,2]),np.ndarray))#isinstance()还能判断是否为其他的类型

结果如下：

True
False
True
True

5.创建全0张量和全1张量

全0张量：tf.zero(shape,dtype=tf.float32)
全1张量：tf.ones(shape,dtype=tf.float32)

1
2
3

#创建全0张量和全1张量
print(tf.zeros((3,4)))
print(tf.zeros([1,2],dtype=tf.int32))#shape也能用[]表示

结果如下：

tf.Tensor(
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]], shape=(3, 4), dtype=float32)
tf.Tensor([[0 0]], shape=(1, 2), dtype=int32)

6.创建元素值都相同的张量

tf.fill(dims,value)
dims：形状
value：为要填充的值，根据此值确定数据类型

#常见元素值都相同的张量
print(tf.fill([2,3],6))
print(40*"-")
print(tf.fill((2,3),6.0))

结果如下：

tf.Tensor(
[[6 6 6]
 [6 6 6]], shape=(2, 3), dtype=int32)
----------------------------------------
tf.Tensor(
[[6. 6. 6.]
 [6. 6. 6.]], shape=(2, 3), dtype=float32)

7.创建随机数张量

正态分布：tf.random.normal(shape,mean,stddev,dtype)
- mean：均值，默认为0
- stddev：标准差，默认为1
- dtype：数据类型，默认为float32
截断正态分布：tf.random.truncated_normal(shape,mean,stddev,dtype)
- 返回一个截断的正态分布
- 截断的标准是2倍的标准差
设置随机种子：tf.random.set_seed()#seed相同，产生的张量相同
均匀分布：tf.random.uniform(shape,minval,maxval,dtype)#maxval为开区间
随机打乱：tf.random.shuffle()#只打乱第一个维度的数据

#创建随机数张量
#1.正态分布
print(tf.random.normal([6,6]))
print(tf.random.truncated_normal([6,6]))#截断正态分布：不可能出现区间[-2,2]以外的点
print(105*"-")
#2.均匀分布
print(tf.random.uniform([3,3],0,10,dtype=tf.int32))
print(40*"-")
#3.随机打乱
print(tf.random.shuffle([[1,2],[3,4],[5,6]]))
print(40*"-")

结果如下：

tf.Tensor(
[[ 0.8266079   0.7237875   0.3424334   0.49157178 -0.37519592  1.1376799 ]
 [-0.5669446  -0.3625808   1.5405077   0.6373274  -1.9455124  -0.7011395 ]
 [ 1.2457833  -0.39937112  0.57883924  1.0344775  -0.6350136  -1.3593744 ]
 [-0.74130106  1.8143122   0.5292364  -0.10480234 -1.7358512  -0.3791651 ]
 [ 0.5712524   0.9349497  -0.22174385 -0.59780544  0.78962743  0.5501346 ]
 [ 0.9522022   0.14572807 -0.21552448  1.7505981  -0.76506436 -2.3946    ]], shape=(6, 6), dtype=float32)
tf.Tensor(
[[ 0.36231953 -0.12280609 -1.0638309  -0.37071744 -0.73713136  1.2813414 ]
 [ 0.87333363 -1.4310946  -0.47064283  0.12014091 -0.92487514  1.3596456 ]
 [ 1.2385474   0.07997006 -0.07874179  0.13667127  0.44561246 -1.7509358 ]
 [-0.24318981 -0.09602328  1.65389     1.7249115  -0.5238166   0.24563125]
 [ 1.4265472  -0.01189587  0.2186302  -0.42843634  0.5324539   0.24380386]
 [-1.2853507  -1.6559658   0.54867435 -0.6609358   0.7402121   1.3007758 ]], shape=(6, 6), dtype=float32)
--------------------------------------------------------------------------------------------------------
tf.Tensor(
[[1 8 1]
 [0 8 4]
 [3 1 6]], shape=(3, 3), dtype=int32)
----------------------------------------
tf.Tensor(
[[1 2]
 [5 6]
 [3 4]], shape=(3, 2), dtype=int32)
----------------------------------------

8.创建整数序列

tf.range(start,limit,delta=1,dtype)
- start可省略，默认为0
- limit不可省略，为开区间
- delta为步长，默认为1，可省略

1 2	#创建整数序列 print(tf.range(1,10,2))

结果如下：

tf.Tensor([1 3 5 7 9], shape=(5,), dtype=int32)

9.Tensor对象的属性

.ndim：维度
.shape：形状
.dtype：类型
tf.shape(a)：形状
tf.size(a)：总数
tf.rank(a)：维度

#Tensor对象的属性
print("The nidm:",a.ndim)
print("The shape:",a.shape)
print("The dtype:",a.dtype)
print(45*"-")
print("The tf.size:",tf.size(a))
print("The tf.shape:",tf.shape(a))
print("The tf.rank:",tf.rank(a))

结果如下：

The nidm: 2
The shape: (2, 2)
The dtype: <dtype: 'int32'>
---------------------------------------------
The tf.size: tf.Tensor(4, shape=(), dtype=int32)
The tf.shape: tf.Tensor([2 2], shape=(2,), dtype=int32)
The tf.rank: tf.Tensor(2, shape=(), dtype=int32)

维度变换

1.改变张量形状

tf.reshape(tensor,shape)

#改变张量形状
print(tf.reshape(a,[1,4]))
print(48*"-")
print(a)

结果如下：

tf.Tensor([[1 2 3 4]], shape=(1, 4), dtype=int32)
------------------------------------------------
tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)

2.增加和删除维度

增加：tf.expand_dims(input,axis)#增加的维度长度为1
删除：tf.squeeze(input,axis)#只能删除长度为1的维度，若不指定axis，则删除所有长度为1的轴

#增强和删除维度
d=tf.range(24)
d1=tf.reshape(d,[4,6])
#1.增加
d2=tf.expand_dims(d1,axis=1)
print(d2)
#2.删除
print(tf.squeeze(d2,axis=1))

结果如下：

tf.Tensor(
[[[ 0  1  2  3  4  5]]

 [[ 6  7  8  9 10 11]]

 [[12 13 14 15 16 17]]

 [[18 19 20 21 22 23]]], shape=(4, 1, 6), dtype=int32)
tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]], shape=(4, 6), dtype=int32)

3.交换维度

tf.transpose(a,perm)#perm根据axis指定交换的顺序

#交换维度
e=tf.range(24)
e1=tf.reshape(e,[2,3,4])
print(tf.transpose(e1,[1,0,2]))

结果如下：

tf.Tensor(
[[[ 0  1  2  3]
  [12 13 14 15]]

 [[ 4  5  6  7]
  [16 17 18 19]]

 [[ 8  9 10 11]
  [20 21 22 23]]], shape=(3, 2, 4), dtype=int32)

4.拼接与分割

拼接：tf.concat(tensors,axis)
- tensors：为所有需要拼接的张量列表
- axis：指定在哪个轴上拼接
分割：tf.split(value,num_or_size_split,axis=0)

#拼接与分割
#1.拼接
print(tf.concat([d1,d1],axis=0))
print(50*"-")
print(tf.concat([d1,d1],axis=1))
print(60*"-")
#2.分割
x1,x2,x3=tf.split(d1,[2,1,1],axis=0)
print(x1,'\n',x2,'\n',x3)

结果如下：

tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]
 [ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]], shape=(8, 6), dtype=int32)
--------------------------------------------------
tf.Tensor(
[[ 0  1  2  3  4  5  0  1  2  3  4  5]
 [ 6  7  8  9 10 11  6  7  8  9 10 11]
 [12 13 14 15 16 17 12 13 14 15 16 17]
 [18 19 20 21 22 23 18 19 20 21 22 23]], shape=(4, 12), dtype=int32)
------------------------------------------------------------
tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]], shape=(2, 6), dtype=int32) 
 tf.Tensor([[12 13 14 15 16 17]], shape=(1, 6), dtype=int32) 
 tf.Tensor([[18 19 20 21 22 23]], shape=(1, 6), dtype=int32)

5.堆叠与分解

堆叠：tf.stack(values,axis)
分解：tf.unstack(values,axis)

#堆叠与分解
#1.堆叠
x=tf.constant([1,2,3])
y=tf.constant([4,5,6])
print(tf.stack([x,y],axis=0))
print(tf.stack([x,y],axis=1))
print(80*"-")
#2.分解
print(tf.unstack(d1,axis=0))

结果如下：

tf.Tensor(
[[1 2 3]
 [4 5 6]], shape=(2, 3), dtype=int32)
tf.Tensor(
[[1 4]
 [2 5]
 [3 6]], shape=(3, 2), dtype=int32)
--------------------------------------------------------------------------------
[<tf.Tensor: shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5])>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([ 6,  7,  8,  9, 10, 11])>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([12, 13, 14, 15, 16, 17])>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([18, 19, 20, 21, 22, 23])>]

部分采样

tf.gather(params,axis,indices)#用一个索引列表，将给定张量中，对应索引值的元素提取出来，但一次只能索引一个维度
tf.gather_nd(params,indices)#可同时采样多个点

#部分采样
print(d1)
#gather()：一次只能对一个维度索引
print(tf.gather(d1,axis=0,indices=[0,1,3]))
print(tf.gather(d1,axis=1,indices=[0,1,3]))
print(40*"-")
#同时采样多个点/采样维度
print(tf.gather_nd(d1,[[0,0],[1,1],[2,2],[3,3]]))
print(tf.gather_nd(d1,[[0],[1],[2]]))

结果如下：

tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]], shape=(4, 6), dtype=int32)
tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [18 19 20 21 22 23]], shape=(3, 6), dtype=int32)
tf.Tensor(
[[ 0  1  3]
 [ 6  7  9]
 [12 13 15]
 [18 19 21]], shape=(4, 3), dtype=int32)
----------------------------------------
tf.Tensor([ 0  7 14 21], shape=(4,), dtype=int32)
tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]], shape=(3, 6), dtype=int32)

张量运算

1.基本数学运算

加减乘法运算

算数操作	描述
tf.add(x,y)	将x和y逐元素相加
tf.substract(x,y)	将x和y逐元素相减
tf.multiply(x,y)	将x和y逐元素相乘
tf.divide(x,y)	将x和y逐元素相除
tf.math.mode(x,y)	对x逐元素

幂指对数运算

算数操作	描述
tf.pow(x,y)	对x求y的幂次方（当y为小数时，x需为浮点数）
tf.square(x)	对x逐元素求平方
tf.sqrt(x)	对x逐元素开平方根
tf.exp(x)	计算e的x次方（要求x为浮点数，且必须是float64）
tf.math.log(x)	计算自然对数，底数为e（要求x为浮点数）

其他运算
三角函数和反三角函数运算
重载运算符

2.向量乘法

tf.matmul(a,b)
a @ b

#多维向量乘法
#三维向量×二维向量
a1=tf.random.normal([2,3,5])
b1=tf.random.normal([5,4])
print(a1@b1)
print(90*"-")
#三维向量×三维向量
a2=tf.constant(np.arange(12).reshape(2,2,3))
b2=tf.constant(np.arange(12).reshape(2,3,2))
print(a2)
print(45*"*")
print(b2)
print(45*"*")
print(a2@b2)

结果如下：

tf.Tensor(
[[[ 2.203142    0.09738441  1.9606446  -1.1057658 ]
  [-0.27357578  0.14026386  0.94474745  2.1895509 ]
  [ 1.7446913  -0.9555952  -0.04033652  1.8337672 ]]

 [[-1.0159464   0.11673293 -0.04575142  0.06979337]
  [-1.342845    1.4855313   1.4126754  -0.32664305]
  [ 3.1746514  -1.7697542  -1.3596829   2.2296028 ]]], shape=(2, 3, 4), dtype=float32)
------------------------------------------------------------------------------------------
tf.Tensor(
[[[ 0  1  2]
  [ 3  4  5]]

 [[ 6  7  8]
  [ 9 10 11]]], shape=(2, 2, 3), dtype=int32)
*********************************************
tf.Tensor(
[[[ 0  1]
  [ 2  3]
  [ 4  5]]

 [[ 6  7]
  [ 8  9]
  [10 11]]], shape=(2, 3, 2), dtype=int32)
*********************************************
tf.Tensor(
[[[ 10  13]
  [ 28  40]]

 [[172 193]
  [244 274]]], shape=(2, 2, 2), dtype=int32)

3.数据统计

函数	描述
tf.reduce_sum(input_tensor,axis)	求和，axis未指定时默认求全局
tf.reduce_mean(input_tensor,axis)	求平均值，axis未指定时默认求全局
tf.reduce_max(input_tensor,axis)	求最大值，axis未指定时默认求全局
tf.reduce_min(input_tensor,axis)	求最小值，axis未指定时默认求全局
tf.argmax(input_tensor,axis)	求最大值索引，axis默认为0
tf.argmin(input_tensor,axis)	求最小值索引，axis默认为0

ssy的小天地

TensorFlow基础之张量相关

创建张量

1.张量的基本创建

创建Tensor对象

使用张量.numpy()方法

参数为数字时，shape=()

参数为NumPy数组

参数为字符串

2.改变张量中元素的数据类型

3.创建张量的其他函数

4.判断是否为张量

5.创建全0张量和全1张量

6.创建元素值都相同的张量

7.创建随机数张量

8.创建整数序列

9.Tensor对象的属性

维度变换

1.改变张量形状

2.增加和删除维度

3.交换维度

4.拼接与分割

5.堆叠与分解

部分采样

张量运算

1.基本数学运算

加减乘法运算

幂指对数运算

其他运算

三角函数和反三角函数运算

重载运算符

2.向量乘法

3.数据统计