TensorFlow進階（二）---張量的操做

時間 2019-12-11

標籤 tensorflow 進階張量简体版

原文原文鏈接

張量操做

在tensorflow中，有不少操做張量的函數，有生成張量、建立隨機張量、張量類型與形狀變換和張量的切片與運算python

生成張量

固定值張量

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

建立全部元素設置爲零的張量。此操做返回一個dtype具備形狀shape和全部元素設置爲零的類型的張量。less

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

給tensor定單張量（），此操做返回tensor與全部元素設置爲零相同的類型和形狀的張量。dom

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

建立一個全部元素設置爲1的張量。此操做返回一個類型的張量，dtype形狀shape和全部元素設置爲1。ide

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

給tensor定單張量（），此操做返回tensor與全部元素設置爲1 相同的類型和形狀的張量。函數

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

建立一個填充了標量值的張量。此操做建立一個張量的形狀dims並填充它value。spa

tf.constant(value, dtype=None, shape=None, name='Const')

建立一個常數張量。code

用常數張量做爲例子orm

t1 = tf.constant([1, 2, 3, 4, 5, 6, 7])

t2 = tf.constant(-1.0, shape=[2, 3])

print(t1,t2)

咱們能夠看到在沒有運行的時候，輸出值爲：blog

(<tf.Tensor 'Const:0' shape=(7,) dtype=int32>, <tf.Tensor 'Const_1:0' shape=(2, 3) dtype=float32>)

一個張量包含了一下幾個信息遊戲

一個名字，它用於鍵值對的存儲，用於後續的檢索：Const: 0
一個形狀描述，描述數據的每一維度的元素個數：（2，3）
數據類型，好比int32,float32

建立隨機張量

通常咱們常常使用的隨機數函數 Math.random() 產生的是服從均勻分佈的隨機數，可以模擬等機率出現的狀況，例如扔一個骰子，1到6點的機率應該相等，但現實生活中更多的隨機現象是符合正態分佈的，例如20歲成年人的體重分佈等。

假如咱們在製做一個遊戲，要隨機設定許許多多 NPC 的身高，若是還用Math.random()，生成從140 到 220 之間的數字，就會發現每一個身高段的人數是同樣多的，這是比較無趣的，這樣的世界也與咱們習慣不一樣，現實應該是特別高和特別矮的都不多，處於中間的人數最多，這就要求隨機函數符合正態分佈。

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

從截斷的正態分佈中輸出隨機值，和 tf.random_normal() 同樣，可是全部數字都不超過兩個標準差

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

從正態分佈中輸出隨機值，由隨機正態分佈的數字組成的矩陣

# 正態分佈的 4X4X4 三維矩陣，平均值 0， 標準差 1
normal = tf.truncated_normal([4, 4, 4], mean=0.0, stddev=1.0)

a = tf.Variable(tf.random_normal([2,2],seed=1))
b = tf.Variable(tf.truncated_normal([2,2],seed=2))
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(a))
    print(sess.run(b))

輸出：
[[-0.81131822  1.48459876]
 [ 0.06532937 -2.44270396]]
[[-0.85811085 -0.19662298]
 [ 0.13895047 -1.22127688]]

tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)

從均勻分佈輸出隨機值。生成的值遵循該範圍內的均勻分佈 [minval, maxval)。下限minval包含在範圍內，而maxval排除上限。

a = tf.random_uniform([2,3],1,10)

with tf.Session() as sess:
  print(sess.run(a))

tf.random_shuffle(value, seed=None, name=None)

沿其第一維度隨機打亂

tf.set_random_seed(seed)

設置圖級隨機種子

要跨會話生成不一樣的序列，既不設置圖級別也不設置op級別的種子：

a = tf.random_uniform([1])
b = tf.random_normal([1])

print "Session 1"
with tf.Session() as sess1:
  print sess1.run(a)  
  print sess1.run(a)  
  print sess1.run(b)
  print sess1.run(b)  

print "Session 2"
with tf.Session() as sess2:
  print sess2.run(a)
  print sess2.run(a)
  print sess2.run(b)
  print sess2.run(b)

要爲跨會話生成一個可操做的序列，請爲op設置種子：

a = tf.random_uniform([1], seed=1)
b = tf.random_normal([1])


print "Session 1"
with tf.Session() as sess1:
  print sess1.run(a)
  print sess1.run(a)
  print sess1.run(b)
  print sess1.run(b)

print "Session 2"
with tf.Session() as sess2:
  print sess2.run(a)
  print sess2.run(a)  
  print sess2.run(b)
  print sess2.run(b)

爲了使全部op產生的隨機序列在會話之間是可重複的,設置一個圖級別的種子：

tf.set_random_seed(1234)
a = tf.random_uniform([1])
b = tf.random_normal([1])


print "Session 1"
with tf.Session() as sess1:
  print sess1.run(a)
  print sess1.run(a)
  print sess1.run(b)
  print sess1.run(b)

print "Session 2"
with tf.Session() as sess2:
  print sess2.run(a)
  print sess2.run(a)
  print sess2.run(b)
  print sess2.run(b)

咱們能夠看到結果

張量變換

TensorFlow提供了幾種操做，您能夠使用它們在圖形中改變張量數據類型。

改變類型

提供了以下一些改變張量中數值類型的函數

tf.string_to_number(string_tensor, out_type=None, name=None)
tf.to_double(x, name='ToDouble')
tf.to_float(x, name='ToFloat')
tf.to_bfloat16(x, name='ToBFloat16')
tf.to_int32(x, name='ToInt32')
tf.to_int64(x, name='ToInt64')
tf.cast(x, dtype, name=None)

咱們用一個其中一個舉例子

tf.string_to_number(string_tensor, out_type=None, name=None)

將輸入Tensor中的每一個字符串轉換爲指定的數字類型。注意，int32溢出致使錯誤，而浮點溢出致使舍入值

n1 = tf.constant(["1234","6789"])
n2 = tf.string_to_number(n1,out_type=tf.types.float32)

sess = tf.Session()

result = sess.run(n2)
print result

sess.close()

形狀和變換

可用於肯定張量的形狀並更改張量的形狀

tf.shape(input, name=None)
tf.size(input, name=None)
tf.rank(input, name=None)
tf.reshape(tensor, shape, name=None)
tf.squeeze(input, squeeze_dims=None, name=None)
tf.expand_dims(input, dim, name=None)

tf.shape(input, name=None)

返回張量的形狀。

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
shape(t) -> [2, 2, 3]

靜態形狀與動態形狀

靜態維度是指當你在建立一個張量或者由操做推導出一個張量時，這個張量的維度是肯定的。它是一個元祖或者列表。TensorFlow將盡最大努力去猜想不一樣張量的形狀（在不一樣操做之間），可是它不會老是可以作到這一點。特別是若是您開始用未知維度定義的佔位符執行操做。tf.Tensor.get_shape方法讀取靜態形狀

t = tf.placeholder(tf.float32,[None,2])
print(t.get_shape())

結果

動態形狀當你在運行你的圖時，動態形狀纔是真正用到的。這種形狀是一種描述原始張量在執行過程當中的一種張量。若是你定義了一個沒有標明具體維度的佔位符，即用None表示維度，那麼當你將值輸入到佔位符時，這些無維度就是一個具體的值，而且任何一個依賴這個佔位符的變量，都將使用這個值。tf.shape來描述動態形狀

t = tf.placeholder(tf.float32,[None,2])
print(tf.shape(t))

tf.squeeze(input, squeeze_dims=None, name=None)

這個函數的做用是將input中維度是1的那一維去掉。可是若是你不想把維度是1的所有去掉，那麼你能夠使用squeeze_dims參數，來指定須要去掉的位置。

import tensorflow as tf

sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
d_1 = tf.expand_dims(d_1, 2)
d_1 = tf.expand_dims(d_1, -1)
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
d_2 = d_1
print sess.run(tf.shape(tf.squeeze(d_1)))
print sess.run(tf.shape(tf.squeeze(d_2, [2, 4])))

tf.expand_dims(input, dim, name=None)

該函數做用與squeeze相反,添加一個指定維度

import tensorflow as tf
import numpy as np

sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, 2)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))