一小时学会TensorFlow2之基本操作1实例代码

概述

TensorFlow2 的基本操作和 Numpy 的操作很像. 今天带大家来看一看 TensorFlow 的基本数据操作.

 

创建数据

详细讲解一下 TensorFlow 创建数据的集中方法.

创建常量

tf.constant() 格式为:

tf.constant(value，dtype，shape，name)

参数:

• value: 常量值
• dtype: 数据类型
• shape: 表示生成常量数的维度
• name: 数据名称

例子:

# 创建常量1
c1 = tf.constant(1)
print(c1)

# 创建常量, 类型为bool
c2 = tf.constant([True, False])
print(c2)

# 创建常量1, 类型为float32, 大小为3*3
c3 = tf.constant(0.1, shape=[2, 2])
print(c3)

# 创建常量, 类型为string字符串
c4 = tf.constant("Hello World!")
print(c4)

输出结果:

tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([ True False], shape=(2,), dtype=bool)
tf.Tensor(
[[0.1 0.1]
[0.1 0.1]], shape=(2, 2), dtype=float32)
tf.Tensor(b'Hello World!', shape=(), dtype=string)

创建数据序列

格式:

range(start, limit, delta=1, dtype=None, name='range')

参数:

• start: 开始位置
• limit: 序列的上限
• delta: 相当于 Numpy 的 step, 步长
• detype: 数据类型
• name: 数据名称, 默认为 “range”

例子:

# 创建数字序列
r1 = tf.range(4)
print(r1)

输出结果:

tf.Tensor([0 1 2 3], shape=(4,), dtype=int32)

创建图变量

格式:

tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)

参数:

参数名称	参数类型	参数含义
initial_value	所有可以转换为 Tensor 的类型	变量的初始值
trainable	bool	如果为 True, 会把它加入到 GraphKeys.TRAINABLE_VARIABLES, 才能对它使用 Optimizer
collections	list	指定该图变量的类型, 默认为 [GraphKeys.GLOBAL_VARIABLES]
validate_shape	bool	如果为 False, 则不进行类型和维度检查
name	string	数据名称

例子:

# 创建图变量
v1 = tf.Variable(tf.range(6))
print(v1)
print(isinstance(v1, tf.Tensor))  # False
print(isinstance(v1, tf.Variable))  # True
print(tf.is_tensor(v1))  # True

输出结果:

False
True
True

tf.zeros

tf.zeros 可以帮助我们创建一个所有参数为 0 的 tensor 对象. 类似于 np.zeros.

格式:

tf.zeros(shape, dtype=tf.dtypes.float32, name=None)

参数:

• shape: 数组的形状
• dype: 数据类型, 默认为float32
• name: 数据名称

例子:

# 创建参数为0的tensor
z1 = tf.zeros([1])
print(z1)

z2 = tf.zeros([3, 3])
print(z2)

输出结果:

tf.Tensor([0.], shape=(1,), dtype=float32)
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]], shape=(3, 3), dtype=float32)

tf.ones

tf.ones 用法和 tf.zeros 一样, 可以帮助我们创建一个所有参数为 1 的 tensor 对象.

tf.ones(shape, dtype=tf.dtypes.float32, name=None)

参数:

• shape: 数组的形状
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# 创建参数为1的tensor
o1 = tf.ones([1])
print(o1)

o2 = tf.ones([3, 3])
print(o2)

输出结果:

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

tf.zeros_like

tf.zeros_like 可以帮我们创建一个与给定 tensor 类型大小一致的 tensor. 类似 np.zeros_like.

格式:

tf.zeros_like(tensor, dype=None, name=None)

参数:

• tensor: 传入的 tensor
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# tf.zeros_like
t1 = tf.range(6)
z1 = tf.zeros_like(t1)
print(z1)

输出结果:

tf.Tensor([0 0 0 0 0 0], shape=(6,), dtype=int32)

tf.ones_like

格式:

tf.ones_like(tensor, dype=None, name=None)

参数:

• tensor: 传入的 tensor
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# tf.ones_like
t1 = tf.range(6)
o1 = tf.ones_like(t1)
print(o1)

输出结果:

tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int32)

tf.fill

tf.fill 可以帮助我们创建一个指定形状和内容的 tensor.

格式:

tf.fill(shape, value, name=None)

参数:

• shape: 数组的形状
• value: 填充的值
• name: 数据名称

例子:

# tf.fill
f1 = tf.fill([2, 2], 0)
print(f1)

f2 = tf.fill([3, 3], 6)
print(f2)

输出结果:

[[0 0]
[0 0]], shape=(2, 2), dtype=int32)
tf.Tensor(
[[6 6 6]
[6 6 6]
[6 6 6]], shape=(3, 3), dtype=int32)

tf.gather

tf.gather: 根据索引从参数轴收集切片.

格式:

tf.gather(
  params, indices, validate_indices=None, axis=None, batch_dims=0, name=None
)

参数:

• params: 传入的张量
• indices: A Tensor. types 必须是: int32, int64. 里面的每一个元素大小必须在 [0, params.shape[axis]) 范围内
• axis: 维度, 默认为 0

例子:

input =[ [[[1, 1, 1], [2, 2, 2]],
       [[3, 3, 3], [4, 4, 4]],
       [[5, 5, 5], [6, 6, 6]]],

       [[[7, 7, 7], [8, 8, 8]],
       [[9, 9, 9], [10, 10, 10]],
       [[11, 11, 11], [12, 12, 12]]],

      [[[13, 13, 13], [14, 14, 14]],
       [[15, 15, 15], [16, 16, 16]],
       [[17, 17, 17], [18, 18, 18]]]
       ]
output=tf.gather(input, [0,2],axis=0)

输出结果:

tf.Tensor(
[[[[ 1 1 1]
[ 2 2 2]]

[[ 3 3 3]
[ 4 4 4]]

[[ 5 5 5]
[ 6 6 6]]]

[[[13 13 13]
[14 14 14]]

[[15 15 15]
[16 16 16]]

[[17 17 17]
[18 18 18]]]], shape=(2, 3, 2, 3), dtype=int32)

 

tf.random

正态分布

tf.random.normal 可以帮我们创建随机数服从正态分布.

格式:

tf.random.normal(
  shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32, seed=None, name=None
)

参数:

• shape: 张量的形状
• mean: 正态分布的均值, 默认为 0.0
• stddev: 正态分布的标准差, 默认为 1.0
• dtype: 数据类型, 默认为 float32
• seed: 随机数种子
• name: 数据名称

例子:

# tf.normal
n1 = tf.random.normal([2, 2], mean = 1, stddev=1, seed=0)
print(n1)

输出结果:

tf.Tensor(
[[0.60084236 3.1044393 ]
[1.1710722 1.5465181 ]], shape=(2, 2), dtype=float32)

均匀分布

tf.random.uniform 可以帮我们创建随机数服从均匀分布.
格式:

tf.random.uniform(
  shape, minval=0, maxval=None, dtype=tf.dtypes.float32, seed=None, name=None
)

参数:

• shape: 张量的形状
• minval: 均匀分布的最小值, 默认为 0
• maxvak: 均匀分布的最大值
• dtype: 数据类型, 默认为 float32
• seed: 随机数种子
• name: 数据名称

例子:

# tf.uniform
u1 = tf.random.uniform([2, 2], minval=0, maxval=1)
print(u1)

输出结果:

tf.Tensor(
[[0.7382153 0.6622821 ]
[0.22840345 0.09706533]], shape=(2, 2), dtype=float32)

打乱顺序

tf.random.shuffle 可以帮助我们打乱张量的顺序.

格式:

tf.random.shuffle(
  value, seed=None, name=None
)

参数:

• value: 要被打乱的张量
• seed: 随机数种子
• name: 数据名称

例子:

# tf.shuffle
s1 = tf.random.shuffle(tf.range(10))
print(s1)

输出结果:

tf.Tensor([1 7 3 9 2 6 8 5 4 0], shape=(10,), dtype=int32)

 

获取数据信息

获取数据维度

tf.rank 的用法和 np.ndim 基本一样.

格式:

rank(input, name=None)  # 类似np.ndim

参数:

• input: 传入的张量
• name: 数据名称

例子:

# 获取张量维度
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print(tf.rank(t))

输出结果:

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

数据是否为张量

格式:

tf.is_tensor(input)

参数:

• input: 传入的张量

例子:

# 判断是否为张量
a = tf.constant([1, 2, 3])
b = tf.constant([True, False, False])
c = tf.constant("Hello World")
d = np.arange(6)

print(a)
print(tf.is_tensor(a))

print(b)
print(tf.is_tensor(b))

print(c)
print(tf.is_tensor(c))

print(d)
print(tf.is_tensor(d))

输出结果:

tf.Tensor([1 2 3], shape=(3,), dtype=int32)
True
tf.Tensor([ True False False], shape=(3,), dtype=bool)
True
tf.Tensor(b'Hello World', shape=(), dtype=string)
True
[0 1 2 3 4 5]
False

 

数据转换

转换成张量

格式:

tf.convert_to_tensor(value, dtype=None, dtype_hint=None, name=None)

参数:

• value: 需要转换的值
• dtype: 数据类型
• dtype_hint: 当 dtype 为 None 时的备选方案
• name: 数据名称

例子:

# 转换成张量
array = np.arange(6)
print(array.dtype)

array_tf = tf.convert_to_tensor(array)
print(array_tf)

输出结果:

int32
tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32)

转换数据类型

格式:

cast(x, dtype, name=None)

参数:

• x: 输入的值
• dtype: 数据类型
• name: 数据名称

例子:

# 装换数据类型
array_tf = tf.constant(np.arange(6))
print(array_tf)

array_tf = tf.cast(array_tf, dtype=tf.float32)
print(array_tf)

tf_bool = tf.cast(tf.constant([False, True]), dtype=tf.int32)
print(tf_bool)

输出结果:

tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32)
tf.Tensor([0. 1. 2. 3. 4. 5.], shape=(6,), dtype=float32)
tf.Tensor([0 1], shape=(2,), dtype=int32)

转换成 numpy

例子:

# tensor转换成numpy
array_tf = tf.ones([2,2])
array_np = array_tf.numpy()
print(array_np)

输出结果:

[[1. 1.]
[1. 1.]]

到此这篇关于一小时学会TensorFlow2之基本操作1的文章就介绍到这了,更多相关TensorFlow2基本操作内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！

原文链接：https://blog.csdn.net/weixin_46274168/article/details/117591977