tensorflow基本操作
- tensorflow常见属性：每个变量都有一个device的属性，可以在创建的时候设定是在cpu上运行还是在gpu上运行；tensor和numpy可以互相转换
with tf.device("cpu"):
a = tf.constant(1) # 在cpu上
with tf.device("gpu"):
b = tf.constant(1) # 在gpu上
print(a.device) # 查看属性
aa = a.gpu() # 改变设备
bb = b.cpu() # 改变设备
b.numpy() # 将b从tensor类型转化为numpy类型
a.shape # 查看tensor的形状
tf.rank(a) # 查看tensor的维度,返回一个Tensor。维度和形状的区别：[1, 3, 5]的形状 --> rank = 3
a.ndim # 直接返回维度
tf.is_tensor(a) # 判断是不是tensor类型
a.dtype # 查看类型
d = np.arange(5) # numpy类型
dd = tf.convert_to_tensor(d, dtype = tf.int32) # 把numpy转换成tensor
ddd = tf.cast(dd, dtype = tf.float32) # 修改tensor的数据类型
f = tf.range(5) # 快速创建[0, 1, 2, 3, 4]的tensor
g = tf.Variable(6) # 特殊的Tensor，是一个Variable
gg = tf.Variable(f, name = "xxxx") # 把一个普通的tensor转成Variable，并且可以选择取名字，但是还是tensor，用tf.is_tensor(gg)是true- 创建tensor的方式
# 从numpy，list导出
a = tf.convert_to_tensor(np.ones([2,3]))
b = tf.convert_to_tensor(np.zeros([2,3])) # 从numpy转变
c = [3,5,6]
d = tf.convert_to_tensor(c) # 从list转变
# tf.zeros([x,y...]) [x, y...]:是张量的形状shape
e = tf.zeros([2,3]) # 两行三列的0
f = tf.zeros_like(e) # f的形状和e一样
g= tf.zeros(e.shape) # g的方法与f的方法一致.同样的api还有ones系列
# tf.fill([x, y...], i) 初始化一个全是i的shape是[x, y...]的tensor
h = tf.fill([2, 3], 10) # 2 * 3全为10
# tf.random.normal([shape], mean = x, stddev = x) 随机生成
# tf.random.uniform([shape], minval = x1, maxval = x2) 均匀分布
# tf.random.shuffle(tensor) 打散顺序
i = tf.random.normal([2,3], mean = 1, stddev = 1) # 生成2 * 3的正态分布的，均值为1，方差为1
j = tf.random.truncated_normal([2, 3], mean = 1, stddev = 1) # 截断的正态分布，主要用于sigmoid这个初始化
k = tf.random.uniform([2,3], minval = 1, maxval = 10) # 均匀生成1-10的shape为2 * 3的tensor
index = tf.range(10) # 0-9的tensor
index = tf.random.shuffle(index) # 随机打散index这个tensor，一般这个shuffle需要搭配tf.gather(tensor, tensor)使用，将打散后的数据重组
l = tf.gather(a, index) # 把a按照打乱的顺序重新生成一个tensor
# tf.constant() 创建Tensor
m = tf.constant([1, 2]) # 这个api与tf.convert_to_tensor()基本一致- Tensorflow的索引与切片
# tensor的特殊索引
a = tf.random.normal([4,28,28,3])
a[1,2,3] # = a[1][2][3],其shape是[3]
b = tf.range(10) # [0,1,2,3,4,5,6,7,8,9]
b[:] # 全取
b[-1:] # [9]
c = tf.constant([4,28,28,3])
c[:,:,:,0] # shape = [4 * 28 * 28]
b[1:8:2] # 第二个：是step
b[8:1:-1] # 第三个只要是负数就是逆序，无论负多少，就是间隔不同
# ...可以代表任意多个：，具体多少个需要推理
b[1,...] or b[..., 1]
# tf.gather(a, axis = x, indices = [...])
a = tf.zeros([2,35,8])
b = tf.gather(a, axis = 0, indices = [1, 3]) # 按照indices取第axis个维的数值
# tf.gather_nd(a, [xxxx]) a.shape = [4, 35, 8]
d = tf.gather_nd(a, [0,1]) # d.shape = [8]
e = tf.gather_nd(a, [1]) # e.shape = [35, 8]
f = tf.gather_nd(a, [[0,1], [1,2]]) # f.shape = [2, 8]
# tf.boolean_mask(a, mask=[True, True, Flase, Flase], axis = x) a.shape = [4, 28, 28, 3]
g = tf.boolean_mask(a, mask=[True, True, False, False], axis = 0) # g.shape = [2, 28, 28, 3]
k.shape = [2, 3, 4]
h = tf.boolean_mask(k, mask=[[True,False,False],[False, True, True]]) # h.shape = [3, 4]- 维度变换
# tf.reshape(a, [xxxx]) 重新对view进行解释
a = tf.random.normal([4, 28, 28, 3])
a = tf.reshape(a, [4, 784, 3]) # the same as tf.reshape(a, [4, -1, 3])
# tf.transpose(a, perm = [xxx]) perm不指定的话就是全转
b = tf.random.normal([4,3,2,1]) # b.shape = [4,3,2,1]
c = b.transpose(b, perm = [0, 1, 3, 2]) # c.shape = [4,3,1,2]
d = b.transpose(b) # d.shape = [1,2,3,4]
# 增加维度 tf.expand_dims(a, axis = x) 会在x那个轴加一个列，无论正负
f = tf.random.normal([4,28,36,6])
g = f.expand_dims(f, axis = 0) # g.shape = [1, 4, 28,36,6]
h = f.expand_dims(f, axis = -2) # h.shape = [4, 28, 36, 1, 6]
# 减少维度 减少维度只能减少shape = 1的那个维度，因为shape为1的那个维度是冗余信息
# tf.squeeze(a, axis = x) axis不指定，1的会全部去掉
i = tf.zeros([1, 2, 1, 3])
j = tf.squeeze(i) # j.shape = [2,3]
k = tf.squeeze(i, axis = 0) # k.shape = [2,1,3]- broadcast
# broadcast : 从右边对其，不够维度扩张为1，如果是1可以扩张成一样的，如果不一样但不是1，就不能broadcast。这是一种隐式的优化方式
a = tf.random.normal([4,32,32,3])
a + tf,random.normal([3]) # ok
a + tf.random.normal([32, 32, 1]) # ok
a + tf.random.normal([4,1,1,1]) # ok
a + tf.random.normal([4,1]) # error
a + tf.random.normal([1,4,1,1]) # error
# 也可以显示的调用api：tf.broadcast_to(tensor1, tensor2)
b = tf.broadcast_to(tf.random.normal([4,1,1,1]), [4,32,32,3])- 数学运算
# + - * / //(整除) %:都是对tensor内部每个元素对应计算
a = tf.ones([2,2])
b = tf.fill([2,2], 3)
c = a + b # c = [[4, 4],[4, 4]]
d = a * b # d = [[3, 3],[3, 3]]
# tf.math.log(a) tf.exp(a) 也是对应到各个元素
e = tf.ones([2,2])
f = tf.math.log(e) # f = [[0, 0],[0, 0]]
g = tf.exp(a) #g = [[2.7, 2.7],[2.7,2.7]]
# tf.pow(a, 3) 张量a的每个元素的三次方
# a ** 3 与上面相同
# tf.sqrt(a) 开方
h = tf.fill([2,2], 3)
i = tf.pow(h, 3) # i = [[8,8],[8,8]]
j = h ** 3 # j = [[8,8],[8,8]]
k = tf.sqrt(h) # k = [[1.73, 1.73],[1.73, 1.73]]
# 矩阵运算：
# 矩阵相乘@：a @ b
# tf.matmul(a, b) 与上相同
l = tf.ones([2,2])
m = tf.fill([2,2], 2)
n = l@m # n = [[4,4],[4,4]]
o = tf.matmul(l, m) # o = [[4,4],[4,4]]
p = tf.ones([4,2,3])
q = tf.fill([4,3,5], 3)
p@q or tf.matmul(p,q) = [4,2,5]
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
