TensorFlow 2.0中的张量数据结构解析

程序 = 数据结构+算法。

TensorFlow程序 = 张量数据结构 + 计算图算法语言

张量和计算图是 TensorFlow的核心概念。

Tensorflow的基本数据结构是张量Tensor。张量即多维数组。Tensorflow的张量和numpy中的array很类似。

从行为特性来看，有两种类型的张量，常量constant和变量Variable.

常量的值在计算图中不可以被重新赋值，变量可以在计算图中用assign等算子重新赋值。

一，常量张量

张量的数据类型和numpy.array基本一一对应。

登录后复制

import numpy as npimport tensorflow as tfi = tf.constant(1) # tf
.int32 类型常量l = tf.constant(1,dtype = tf.int64) 
# tf.int64 类型常量f = tf.constant(1.23) 
#tf.float32 类型常量d = tf.constant(3.14,dtype = tf.double) 
# tf.double 类型常量s = tf.constant("hello world") 
# tf.string类型常量b = tf.constant(True) 
#tf.bool类型常量print(tf.int64 == np.int64) print(tf.bool == np.bool)print(tf.double == np
.float64)print(tf.string == np.unicode) 
# tf.string类型和np.unicode类型不等价1.2.3.4.5.6.7.8.9.10.11.12.13.14.

True True True False

不同类型的数据可以用不同维度(rank)的张量来表示。

标量为0维张量，向量为1维张量，矩阵为2维张量。

彩色图像有rgb三个通道，可以表示为3维张量。

视频还有时间维，可以表示为4维张量。

可以简单地总结为：有几层中括号，就是多少维的张量。

登录后复制

scalar = tf.constant(True)  #标量，0维张量print(tf.rank(scalar))print(scalar.numpy().ndim)  
# tf.rank的作用和numpy的ndim方法相同1.2.3.4.

<tf.Tensor: shape=(), dtype=int32, numpy=0>

0

登录后复制

vector = tf.constant([1.0,2.0,3.0,4.0]) #向量，1维张量print(tf.rank(vector))
print(np.ndim(vector.numpy()))1.2.3.4.

tf.Tensor(1, shape=(), dtype=int32)

1

登录后复制

matrix = tf.constant([[1.0,2.0],[3.0,4.0]]) #矩阵, 2维张量print(tf.rank(matrix).numpy())
print(np.ndim(matrix))1.2.3.4.

2

2

登录后复制

tensor3 = tf.constant([[[1.0,2.0],[3.0,4.0]],[[5.0,6.0],[7.0,8.0]]])  
# 3维张量print(tensor3)print(tf.rank(tensor3))1.2.3.

tf.Tensor( [[[1. 2.] [3. 4.]] [[5. 6.] [7. 8.]]], shape=(2, 2, 2), dtype=float32)

tf.Tensor(3, shape=(), dtype=int32)

登录后复制

tensor4 = tf.constant([[[[1.0,1.0],[2.0,2.0]],[[3.0,3.0],[4.0,4.0]]],                       
 [[[5.0,5.0],[6.0,6.0]],[[7.0,7.0],[8.0,8.0]]]])  
 # 4维张量print(tensor4)print(tf.rank(tensor4))1.2.3.4.

tf.Tensor( [[[[1. 1.] [2. 2.]] [[3. 3.] [4. 4.]]] [[[5. 5.] [6. 6.]] [[7. 7.] [8. 8.]]]], shape=(2, 2, 2, 2), dtype=float32)

tf.Tensor(4, shape=(), dtype=int32)

可以用tf.cast改变张量的数据类型。

可以用numpy方法将tensorflow中的张量转化成numpy中的张量。

可以用shape方法查看张量的尺寸。

登录后复制

h = tf.constant([123,456],dtype = tf.int32)f = tf.cast(h,tf.float32)print(h.dtype, f.dtype)
<dtype: 'int32'> <dtype: 'float32'>1.2.3.4.




登录后复制

y = tf.constant([[1.0,2.0],[3.0,4.0]])print(y.numpy()) 
#转换成np.arrayprint(y.shape)[[1. 2.] [3. 4.]](2, 2)1.2.3.4.5.6.




登录后复制

u = tf.constant(u"你好 世界")print(u.numpy())  print(u.numpy()
.decode("utf-8"))b'\xe4\xbd\xa0\xe5\xa5\xbd \xe4\xb8\x96\xe7\x95\x8c'你好 世界1.2.3.4.5.

二，变量张量

模型中需要被训练的参数一般被设置成变量。

登录后复制

# 常量值不可以改变，常量的重新赋值相当于创造新的内存空间c = tf.constant([1.0,2.0])
print(c)print(id(c))c = c + tf
.constant([1.0,1.0])print(c)print(id(c))1.2.3.4.5.6.7.




登录后复制

tf.Tensor([1. 2.], shape=(2,), dtype=float32)5276289568tf.Tensor([2. 3.], shape=(2,), 
dtype=float32)52762902401.2.3.4.

登录后复制

# 变量的值可以改变，可以通过assign, assign_add等方法给变量重新赋值v = tf
.Variable([1.0,2.0],name = "v")print(v)print(id(v))v
.assign_add([1.0,1.0])print(v)print(id(v))1.2.3.4.5.6.7.




登录后复制

<tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([1., 2.], 
dtype=float32)>5276259888<tf.Variable 'v:0' shape=(2,) dtype=float32, 
numpy=array([2., 3.], dtype=float32)>52762598881.2.3.4.

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删