最近的新型冠状病毒肺炎来势汹汹。宅在家挺无聊的，还是学习有趣。将今天观看的视频做个学习笔记整理一下。昨天把TensorFlow的开发环境配置好，到时候还得整理下关于开发环境的配置问题。
时间：2020年1月29日
数据载体:Tensor
和科学计算库numpy相比，支持GPU和自动求导，偏重神经网络计算。
//创建Tensor
tf.constant(
value,
dtype=None,
shape=None,
name='Const'
)
//整型
+ tf.constant(1)
- <tf.Tensor: id=2, shape=(), dtype=int32, numpy=1>
// shape为尺寸，dtype为数据类型，numpy为对应的numpy数据
//单精度浮点型
+ tf.constant(1.)
- <tf.Tensor: id=4, shape=(), dtype=float32, numpy=1.0>
//双精度浮点型
+ tf.constant(2., dtype=tf.double) //指定数据类型，指定类型精度需要高于数据的类型
- <tf.Tensor: id=7, shape=(), dtype=float64, numpy=2.0>
//布尔型
+ tf.constant([True, False])
- <tf.Tensor: id=9, shape=(2,), dtype=bool, numpy=array([ True, False])>
//字符串型
+ tf.constant('hello,world.')
- <tf.Tensor: id=14, shape=(), dtype=string, numpy=b'gello,world.'>
1.属性(Property)
- device:返回当前Tensor所在设备的名字，string类型
- numpy:将Tensor数据类型转换为numpy对应的数据类型
- shape:返回类似List的shape
- ndim:返回数据维度
- rank:返回张量的秩，Tensor数据类型
【注】张量的秩是唯一选择张量的每个元素所需的索引的数量
//练习程序示例，运行环境【ipython】
//设置相关Tensor对象的运行设备
with tf.device("cpu"):
a = tf.constant([1])
with tf.device("gpu"):
b = tf.range(4)
//Tensor对应的操作必须是在同一设备上进行的，使用device属性可以查看Tensor对象的设备
a.device
b.device
2.判断Tensor类型
- 判断参数是否是
tf.Tensor
isinstance(a, tf.Tensor) //a为参数
tf.is_tensor(b) //b为参数
- 输出
tf.Tensor的数据类型
a.dtype
//判断tf.Tensor的类型
a.dtype == tf.float32
b.dtype == tf.float64
c.dtype == tf.string
d.dtype == tf.bool
3.Tensor数据类型转换
- numpy与Tensor数据之间的转换
a = np.arange(5)
a.dtype
# dtype('int64')
//numpy转换为Tensor
aa = tf.convert_to_tensor(a)
# <tf.Tensor: id=19, shape=(5,), dtype=int64, numpy=array([0, 1, 2, 3, 4])>
//设置目标转换类型
aa = tf.convert_to_tensor(a, dtype=tf.int32)
# <tf.Tensor: id=21, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4]>
//Tensor转换为numpy
aa.numpy()
//对于标量数据类型，可以直接转换
a=tf.ones([])
a.numpy() # 1.0
int(a) # 1
float(a) # 1.0
- 整型和浮点型、布尔型之间的相互转换
// aa为整型，整型转换为单精度浮点型
tf.cast(aa, dtype=tf.float32)
# <tf.Tensor: id=23, shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.]>
//整型转换为双精度浮点型
aaa = tf.cast(aa, dtype=tf.double)
# <tf.Tensor: id=25, shape=(5,), dtype=float64, numpy=array([0., 1., 2., 3., 4.]>
//双精度浮点型转换为整型
tf.cast(aaa, dtype=tf.int32)
# <tf.Tensor: id=27, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4]>
//整型转换为布尔型
b = tf.constant([0, 1])
tf.cast(b, dtype=tf.bool)
# <tf.Tensor: id 29, shape=(2,), dtype=bool, numpy=array([False, True])>
//布尔型转换为整型
bb = tf.cast(b, dtype=tf.bool)
tf.cast(bb, tf.int32)
# <tf.Tensor: id 34, shape=(2,), dtype=int32, numpy=array([0, 1], dtype=int32)>
4.tf.Variable数据类型
该类型主要用于可以优化的参数，如神经网络之间的参数和权重
a = tf.range(2)
# <tf.Tensor: id 41, shape=(2,), dtype=int32, numpy=array([0, 1], dtype=int32)>
b = tf.Variable(a)
b.dtype # tf.int32
b.trainable # True
//isinstance和tf.is_tensor()的差异
isinstance(b, tf.Tensor) # False
isinstance(b, tf.Variable) # True
tf.is_tensor(b) # True
//Variable数据类型转换为numpy数据类型
b.numpy()
# array([0, 1, 2, 3, 4], dtype=int32)
网友评论