#变量创建、正态分布（随机数）、创建tensor、数据打乱、根据下标获取数据
def fun1 () :
变量
a = tf.constant(1.)
numpy 真实值， ndim 维度，dtype类型
print(a, a.numpy(), a.ndim, a.dtype)
长度为2 的数组 [0, 1]
b = tf.range([2])
[0, 1]
print(b, b.numpy())
# 是否是 tensor
print(tf.is_tensor(a))
# tensor 转换类型
aa = np.arange(4)
# 创建一个tensor
aa = tf.convert_to_tensor(aa)
# 类型转换
aa = tf.cast(aa, dtype=tf.float32)
# 定义变量，这个类型一般用于储存模型参数
w = tf.Variable(aa)
tf.convert_to_tensor(np.ones([2, 3]))
tf.convert_to_tensor(np.zeros([3,3]))
# convert_to_tensor 将参数作为数据源
# 直接定义一个数组 tensor [2, 3.0]
tf.convert_to_tensor([2, 3.])
# 直接定义一个二维数组 tensor 2行1列 形状 [2, 1]
tf.convert_to_tensor([[2], [3.]])
# 以下两步是一样的，都是生成一个和a一样的tensor
a = tf.zeros([2, 3])
tf.zeros(a.shape)
tf.zeros_like(a)
# 将参数作为形状
tf.zeros([1])
tf.ones(1)
# 修改默认填充的值
tf.fill([2,2], 9)
# 随机填充数据 正态分布
tf.random.normal([2, 3], 1, 1)
# 随机填充，截断分布
tf.random.truncated_normal([3, 3])
# 0到1之间均匀采样
tf.random.uniform([2, 2], minval=0, maxval=1)
idx = tf.range(2)
print('idx', idx)
# 将数据打乱
idx = tf.random.shuffle(idx)
print(idx)
a = tf.random.normal([10, 784])
# 根据下标获取数据
print(tf.gather(a, idx))
return
根据下标取值
def fun3 () :
a = tf.random.normal([4, 28, 28, 3])
# 根据索引 获取第一维下标为1、第二维下标为2 (28, 3)
print(a[1, 2].shape)
# 切片，从下标为1开始截取，到 下标为3结束 某一段数据 (2, 28, 28, 3)
print(a[1:3].shape)
# 切片，从下标为倒数第一个开始截取，一直截取到最后一个 一段数据 (1, 28, 28, 3) 冒号后面什么都不写意思就是截取到最后一位
print(a[-1:].shape)
# 切片，从下标为0开始截取，一直截取到下标为2之前 一段数据 (2, 28, 28, 3) 冒号前面什么都不写意思就是从0开始截取
print(a[:2].shape)
# 切片，从下标为0开始截取，一直截取到下标为最后一个之前 一段数据 (3, 28, 28, 3) 冒号前面什么都不写意思就是从0开始截取
print(a[:-1].shape)
# 切片，第一维数组取下标为0，后面几维数组 全取 (28, 28, 3) 冒号前面和后面什么都不写意思就是从0开始截取一直到最后
print(a[0,:,:,:].shape)
# 切片，前面3维数组 全取 ，最后一维 取下标为0 (4，28, 28) 冒号前面和后面什么都不写意思就是从0开始截取一直到最后
print(a[:,:,:,0].shape)
# 第一维数组全取，第二维和第三维数组从下标0开始一直到28，每隔2位取一次，最后一维数组 全取 (4，14, 14， 3) 连着两个冒号，意思就是第一个冒号前后代表着从哪开始截取，到哪结束，第二个冒号后面的数字代表着步长，隔几位取一次
print(a[:,0:28:2,0:28:2,:].shape)
a = tf.range(4)
# 数组从下标0开始一直到3，倒着取样，相当于将数组倒叙 (3210) 连着两个冒号，意思就是第一个冒号前后代表着从哪开始截取，到哪结束，第二个冒号后面的数字代表着步长，隔几位取一
print(a[::-1].shape)
a = tf.random.normal([4, 28, 28, 3])
# 取第一维数组下标为0的元素，接着后面全取。(28,28,3) ... 三个点意思是能取都取了
print(a[0, ...].shape)
# 前三维数组全取。最后一维只取下标为0的元素 (28,28,3)
print(a[..., 0].shape)
# gather 根据下标进行取值，axis就是第几未数组，只能取一个维度，indices就是这个数组中哪几个元素。取a中 第三维数组下标为1,3,5的值，其他维度的全取 （4，28,3,3）
print(tf.gather(a, axis=2, indices = [1, 3, 5]).shape)
# gather_nd 根据下标进行取值，但是这个是取多个维度的。
# indices中下标为0的值为a,取的就是第一维数组中下标为a的元素，indices中下标为1的值为b,取的就是第二维数组中下标为b的元素，
# 取a中 第一维数组下标为0的元素，取第二维数组下标为2的元素,取第三维数组下标为4的元素，其他维度的全取 （3）
print(tf.gather_nd(a, indices = [0, 2, 4]).shape)
# gather_nd indices 如果是嵌套两个数组
# 取a中 先取第一维数组中下标为0，第二维数组中下标为1，剩下的全取的元素得到形状（28， 3）
# 再取 第一维数组中下标为1，第二维数组中下标为1，剩下的全取的元素得到形状（28， 3）
# 再取 第一维数组中下标为3，第二维数组中下标为1，剩下的全取的元素得到形状（28， 3）
# 最后三个形状合并到一个数组中 得到形状 （3, 28,3）
print(tf.gather_nd(a, indices = [[0, 1], [1, 1], [3, 1]]).shape)
return
#形状变化 和 增减维度
def fun4 ():
a = tf.random.normal([4, 28, 28, 3])
# 形状变换
a = tf.reshape(a, [4, -1, 3])
#a 的shape (4, 784, 3)
print(a.shape, a.ndim)
a = tf.reshape(a, [4, 784 * 3])
#a 的shape (4, 2352)
print(a.shape, a.ndim)
a = tf.reshape(a, [4, 784, 3])
#a 的shape (4, 784, 3)
print(a.shape, a.ndim)
#转置
a = tf.random.normal([4,3,2,1])
# 转置，如果不传参数 得到的是全转置 [1,2,3,4]
print(tf.transpose(a).shape)
# 转置，如果传参数 perm 中填的是下标 得到的是 [4，3,1,2]
print(tf.transpose(a, perm=[0, 1,3, 2]).shape)
a = tf.random.normal([28, 28, 3])
# 在第一个维度前面增加一个维度 默认是 1 (1, 28, 28, 3)
a = tf.expand_dims(a, axis=0)
print(a.shape)
# 将第一个维度删了 (28, 3)
print(tf.squeeze(a, axis=0).shape)
# 加法的本质 是对 这个形状所描述的数据源的加法。而两个矩阵想要相加，就必须形状一样，如果不一样，能补0则补0
a = tf.random.normal([4, 28, 28, 3])
b = tf.random.normal([1, 1, 1])
# 4, 28, 28, 3
print((a+b).shape)
print(tf.broadcast_to(a, [5, 4, 28, 28, 3]).shape)
a = tf.random.normal([4, 28, 28, 3])
a = tf.expand_dims(a, axis=0)
print(a.shape)
# 给某一个维度进行扩充, 对a的第一个数组数量变成原来的2倍，
# 对a的第二个数组数量变成原来的2倍，
# 对a的第三个数组数量变成原来的1倍，
# 对a的第四个数组数量变成原来的1倍，
# 对a的第五个数组数量变成原来的1倍，
a = tf.tile(a, [2, 2, 1, 1, 1])
print(a.shape)
return
# tensor 合并 新增一个维度 切割维度
def fun5 () :
# tensor 合并
a = tf.ones([4, 35, 8])
b = tf.ones([2, 35, 8])
# axis 定义了在哪个维度上进行合并 ([6, 35, 8]),要求是 除了要合并的维度外，其他的维度都必须相同
print(tf.concat([a, b], axis = 0).shape)
a = tf.ones([4, 35, 8])
b = tf.ones([4, 35, 8])
# axis 新增一个维度 axis 定义了这个维度在哪 (2, 4, 35, 8) 要求是 当前所有的维度都必须相同
c = tf.stack([a, b], axis=0)
print(c.shape)
# 切割维度,axis 指定要打散的维度，注意，在要打散的维度上 有几个数据源 就打散成几个Tensor
aa, bb = tf.unstack(c, axis=1)
print(aa.shape, bb.shape)
# print(tf.unstack(c, axis=1))
# 切割维度,axis 指定要打散的维度，num_or_size_splits 标识了将要打散的维度拆成几个Tensor，具体怎么拆
# 将 第二个数组 拆成 第一个数据源作为一个tensor 第2到3作为一个tensor
aa, bb = tf.split(c, axis = 1, num_or_size_splits = [1, 3])
print(aa.shape, bb.shape)
return
# 向量 范数 最大值索引 排序 返回最大值
def fun6 () :
# 向量 范数
# 张量的二范数，一个矩阵[2, 2]，他的二范数就是 各个元素平方之和相加，最后再开平方
a = tf.ones([2, 2])
# 求二范数
print(tf.norm(a))
#整个计算过程,square 各个元素的平方、reduce_sum：各个元素的和，sqrt：开平方
print(tf.sqrt(tf.reduce_sum(tf.square(a))))
# 求二范数，将第二维元素 平方 相加 最后再开平方
print(tf.norm(a, axis=1))
# 求一范数
print(tf.norm(a, ord=1, axis=1))
a = tf.random.normal([4, 19])
#最大值、最小值、平均值，主要是两个维度，如果指定axis，则在指定的维度进行求值，如果是不指定，则在所有的维度进行求值
# 这个值是 [2]
print(tf.reduce_max(a).shape)
# 最大值索引 [19] 一共有19列
print(tf.argmax(a).shape)
# 最小值索引 [19] 一共有19列
print(tf.argmin(a).shape)
a = tf.random.uniform([3, 3], maxval=10, dtype=tf.int32)
# 排序
print(tf.sort(a))
# 排序后的 每一行的索引
print(tf.argsort(a))
# 返回每一行的前几个的最大值，返回每一行前2个最大值
res = tf.math.top_k(a, 2)
# 返回最大值的索引
print(res.indices)
# 返回最大值
print(res.values)
return
网友评论