Tensor--tensorflow的數據類型

在tensorflow2.0版本以前，1.x版本的tensorflow的基本數據類型有計算圖（Computation Graph）和張量（Tensor）兩種，但tensorflow2.0以後的版本取消了Graph和Session的概念。今天簡單記錄一下Tensor的相關內容。

從Tensorflow的命名就不難看出，Tensor（張量）在整個tensorflow的框架體系中都是一個重要的概念，它能夠稱爲Tensorflow的數據模型，由於Tensor是tensorflow管理數據的形式，換句話說，在tensorflow中，全部的數據均可以藉助張量的形式來表示。在張量出現以前，咱們比較熟悉這樣兩種數據類型：list和np.array。list就很少說了，對於大量數據list的表現並非很好，假設有一個維度[64,24,24,3]的數據，它在深度學習中實際上是一個比較小的數據，可是對於list來講倒是一個很龐大的數據，佔用的內存空間更是沒法估量。而爲了解決大數據的吞吐，對於相同類型的數據載體，np.numpy有很好的表現，可是numpy是在tensorflow以前出現的一個科學計算庫，對GPU並不支持，也不支持自動求導，爲了更好的解決深度學習中的問題，tensorflow開始出現。

在數學中，一個0維的數據(dim=0)，即1.1，2.2等等被稱爲一個標量（scalar），一個一維的數據(dim=1)，即[1.1],[2.2，3.3，……]等被稱做向量（vector），一個維度大於2的數據，如[[1,2],[3,4]]被稱爲矩陣(matrix)，而Tensor通常是指維度大於2的向量（矩陣），可是在tensorflow中，以上全部的類型均可以被稱爲tensor。

建立不一樣類型的數據：

# int型
a = tf.constant(1) # float型
b = tf.constant(1.) # double型
c = tf.constant(2.,dtype=tf.float64) # bool型
d = tf.constant([True,False]) # string型
e = tf.constant('hello world')

獲得結果以下：

 

 

經常使用屬性以下：

# 使用numpy聲明一個數據
a=np.arange(5) # 將其轉化爲tensor
aa=tf.convert_to_tensor(a) # 強制類型轉換 int——float
bb=tf.cast(aa,dtype=tf.float32) # .numpy()將tensor返回numpy顯示數據
print(aa.numpy())

獲得

 

如何建立一個tensor：

# 經過numpy建立數據轉換
a = tf.convert_to_tensor(np.ones([2,3])) # list轉換
b = tf.convert_to_tensor([1,2]) # 初始化全爲0的tensor(tf.ones()用法同tf.zeros())
c = tf.zeros([2,2]) # 以指定tensor的shape爲基礎建立新的tensor(同tf.zeros(c.shape))
d = tf.zeros_like(c) # 填充任意元素
e = tf.fill([2,2],9) # 隨機化初始化： # 正態分佈,mean指定均值，stddev指定方差
f = tf.random.normal([2,2],mean=1,stddev=1) # 截斷正態分佈
g = tf.random.truncated_normal([2,2],mean=1,stddev=1) # 均勻分佈
h = tf.random.uniform([2,2],minval=0,maxval=1)

 

 

捎帶提一點打亂順序函數的用法：

# 隨機打散
i = tf.range(10) i = tf.random.shuffle(i) x = tf.random.uniform([10],maxval=10,dtype=tf.int32) y = tf.random.uniform([10],maxval=10,dtype=tf.int32) print(i.numpy()) print("x:",x.numpy()) print("y:",y.numpy()) # .gather指定按照某一索引序列取值
x = tf.gather(x,i) y = tf.gather(y,i) print("x:",x.numpy()) print("y:",y.numpy())

 

 

能夠看到按照同一打亂序列取值後，x和y仍然是一一對應的關係

tensor中scalar最經常使用的部分：loss和accuracy

損失（loss）和精度（accuracy）在前面迴歸和mnist實戰都已經提過，這裏再也不解釋其概念，簡單說明一下loss的求值方法

# 生成一組數據用來模擬四張圖片的網絡輸出
out = tf.random.uniform([4,10]) print(out) # 模擬四張圖片對應的label
y = tf.range(4) print(y) # 使用one_hot對label進行編碼
y = tf.one_hot(y,depth=10) print(y) # 調用keras的api來計算損失（MSE均方偏差）
loss = tf.keras.losses.mse(y,out) print(loss) # 求loss的均值
loss = tf.reduce_mean(loss) print(loss)