TensorFlow之张量

1. 张量的基本概念

张量（Tensor）是TensorFlow中最基本的数据结构，类似于numpy中的数组。它是一个n维数组，数据类型为tf.Tensor。张量在TensorFlow中具有两个关键属性：【type和shape】。

type： 数据类型，如int32、float32等。

shape: 形状描述张量的维度，如（3,4）表示3行4列的矩阵。

张量的阶数（rank）从0开始计算，如0阶为标量，1阶为1维数组（列表形式），2阶为矩阵形式等。

2. 张量的创建指令

创建张量可以分为几种类型：

固定值张量（Constant Tensor）：

使用tf.constant函数创建常数值的张量。

示例代码：

import tensorflow as tf# 创建常数张量tensor1 = tf.constant(4.0)tensor2 = tf.constant([1, 2, 3, 4])linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)# 打印张量信息print(tensor1(shape))

零张量（Zero Tensor）：

使用tf.zeros函数创建全零值的张量。

示例：

import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import tensorflow as tfzeros = tf.zeros([3, 5])zeros_like = tf.zeros_like(zeros)

一张量（One Tensor）：

使用tf.ones函数创建全一值的张量。

示例：

one = tf.ones([3, 4])ones_like = tf.ones_like(zeros)

随机值张量（Random Tensor）：

使用tf.random函数生成随机数。

示例：

random_tensor = tf.random_normal([3, 5])

特殊张量创建操作（其他操作）：

tf.Variable： 创建可变张量，通常用于模型训练中的变量。

tf.placeholder： 用于定义模型的输入张量，具有动态形状。

3. 张量的变换与操作

3.1 类型改变

通过使用tf.cast函数可以将张量的数据类型转换。例如，将浮点数张量转换为整数型：

import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import tensorflow as tfone = tf.ones([3, 4])cast_one = tf.cast(one, tf.int32)print(cast_one)

3.2 形状改变

张量可以进行静态形状或动态形状的改变。

静态形状改变：使用tf.reshape函数进行张量形状的静态改变。这一步骤适用于已知形状的张量，且不改变其元素总数。
```
tf.reshape(tensor, new_shape)
```

动态形状改变：使用tf.reshape进行动态形状创建，适用于不确定大小的张量，但要确保张量元素总数不变。
```
tf.reshape(tensor, new_shape)
```

3.3 数学运算

算术运算： 使用基本的加、减、乘、除操作。
```
a = tf.constant(3.0)b = tf.constant(2.0)c = a + bprint(c)
```

矩阵运算： 使用高级矩阵函数，如矩阵乘法。

import numpy as npmatrix_a = np.array([[1, 2], [3, 4]])matrix_b = np.array([[5, 6], [7, 8]])tf.matmul(matrix_a, matrix_b)

reduce操作： 将张量按某一轴进行聚合。

a = tf.constant([1, 2, 3, 4])b = tf.reduce_sum(a)print(b)

序列操作： 如分割、重复操作等。

这些操作为张量提供了丰富的运算能力，使其在深度学习和数据处理中极为灵活。

转载地址：http://bnekk.baihongyu.com/

你可能感兴趣的文章

mysql中null和空字符串的区别与问题！

查看>>