一、張量

1、什么是張量
張量Tensor和ndarray是有聯(lián)系的，當(dāng)我們print()打印值的時(shí)候，它返回的就是ndarray對(duì)象

TensorFlow的張量就是一個(gè)n維數(shù)組，類型為tf.Tensor。Tensor具有以下兩個(gè)重要的屬性：
（1）type：數(shù)據(jù)類型
（2）shape：形狀（階）

2、張量的類型
張量，在計(jì)算機(jī)當(dāng)中如何存儲(chǔ)？

標(biāo)量，一個(gè)數(shù)字
向量，一維數(shù)組 [2,3,4]
矩陣，二維數(shù)組 [[2,3,4],[2,3,4]]
張量，就是n維數(shù)組
? ? 標(biāo)量，可以看做0階張量
? ? 向量，可以看做1階張量
? ? 矩陣，可以看做2階張量
? ? n維數(shù)組，n階張量

3、張量的階
對(duì)應(yīng)到ndarray的維數(shù)

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

def tensorflow_demo():
    """
    TensorFlow的基本結(jié)構(gòu)
    """

    # TensorFlow實(shí)現(xiàn)加減法運(yùn)算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法運(yùn)算結(jié)果：\n", c_t)
    print(c_t.numpy())

    # 2.0版本不需要開(kāi)啟會(huì)話，已經(jīng)沒(méi)有會(huì)話模塊了

    return None

def graph_demo():
    """
    圖的演示
    """
    # TensorFlow實(shí)現(xiàn)加減法運(yùn)算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法運(yùn)算結(jié)果：\n", c_t)
    print(c_t.numpy())

    # 查看默認(rèn)圖
    # 方法1：調(diào)用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g：\n", default_g)

    # 方法2：查看屬性
    # print("a_t的圖屬性：\n", a_t.graph)
    # print("c_t的圖屬性：\n", c_t.graph)

    # 自定義圖
    new_g = tf.Graph()
    # 在自己的圖中定義數(shù)據(jù)和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new：\n", c_new)
        print("a_new的圖屬性：\n", a_new.graph)
        print("b_new的圖屬性：\n", b_new.graph)

    # 開(kāi)啟new_g的會(huì)話
    with tf.compat.v1.Session(graph=new_g) as sess:
        c_new_value = sess.run(c_new)
        print("c_new_value：\n", c_new_value)
        print("我們自己創(chuàng)建的圖為：\n", sess.graph)

    # 可視化自定義圖
    # 1）創(chuàng)建一個(gè)writer
    writer = tf.summary.create_file_writer("./tmp/summary")
    # 2）將圖寫(xiě)入
    with writer.as_default():
        tf.summary.graph(new_g)

    return None

def session_run_demo():
    """
    feed操作
    """
    tf.compat.v1.disable_eager_execution()
    
    # 定義占位符
    a = tf.compat.v1.placeholder(tf.float32)
    b = tf.compat.v1.placeholder(tf.float32)
    sum_ab = tf.add(a, b)
    print("a：\n", a)
    print("b：\n", b)
    print("sum_ab：\n", sum_ab)
    # 開(kāi)啟會(huì)話
    with tf.compat.v1.Session() as sess:
        print("占位符的結(jié)果：\n", sess.run(sum_ab, feed_dict={a: 1.1, b: 2.2}))
 
    return None

def tensor_demo():
    """
    張量的演示
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1, 2, 3, 4])
    linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)
    print("tensor1：\n", tensor1)
    print("tensor2：\n", tensor2)
    print("linear_squares：\n", linear_squares)
    return None

if __name__ == "__main__":
    # 代碼1：TensorFlow的基本結(jié)構(gòu)
    # tensorflow_demo()
    # 代碼2：圖的演示
    #graph_demo()
    # feed操作
    #session_run_demo()
    # 代碼4：張量的演示
    tensor_demo()

python3 day01_deeplearning.py

tensor1：
 tf.Tensor(4.0, shape=(), dtype=float32)
tensor2：
 tf.Tensor([1 2 3 4], shape=(4,), dtype=int32)
linear_squares：
 tf.Tensor(
[[ 4]
 [ 9]
 [16]
 [25]], shape=(4, 1), dtype=int32)

創(chuàng)建張量的時(shí)候，如果不指定類型：
整型：默認(rèn)tf.inf32
浮點(diǎn)型：默認(rèn)tf.float32

二、創(chuàng)建張量的指令

1、固定值張量
tf.zeros(shape, dtype=tf.float32, name=None)
創(chuàng)建所有元素設(shè)置為零的張量
此操作返回一個(gè)具有dtype、shape和所有元素設(shè)置為零的類型的張量

tf.zeros_like(tensor, dtype=None, name=None)
給定一個(gè)張量tensor，該操作返回與所有元素設(shè)置為零的tensor具有相同類型和形狀的張量

tf.ones(shape, dtype=tf.float32, name=None)
創(chuàng)建一個(gè)所有元素設(shè)置為1的張量
此操作返回一個(gè)具有dtype、shape和所有元素設(shè)置為1的類型的張量

tf.ones_like(tensor, dtype=None, name=None)
給定一個(gè)張量tensor，該操作返回與所有元素設(shè)置為1的tensor具有相同類型和形狀的張量

tf.fill(dims, value, name=None)
創(chuàng)建一個(gè)填充了標(biāo)量值的張量
此操作創(chuàng)建一個(gè)張量，形狀為dims，并用value填充

tf.constant(value, dtype=None, shape=None, name='Const')
創(chuàng)建一個(gè)常數(shù)張量

2、隨機(jī)值張量

一般我們經(jīng)常使用的隨機(jī)函數(shù)Math.random()產(chǎn)生的是服從均勻分布的隨機(jī)數(shù)，能夠模擬等概率出現(xiàn)的情況
例如，仍一個(gè)骰子，1到6點(diǎn)的概率應(yīng)該相等，但現(xiàn)實(shí)生活中更多的隨機(jī)現(xiàn)象是符合正態(tài)分布的，例如20歲成年人的體重分布等

假如我們?cè)谥谱饕粋€(gè)游戲，要隨機(jī)設(shè)定許許多多NPC的升高，如果還用Math.random()，生成從140到220之間的數(shù)字，就會(huì)發(fā)現(xiàn)每個(gè)身高段的人數(shù)是一樣多的，這是比較無(wú)趣的，這樣的世界也與我們習(xí)慣不同，現(xiàn)實(shí)應(yīng)該是特別高和特別矮的都很少，處于中間的人數(shù)最多，這就要求隨機(jī)函數(shù)符合正態(tài)分布

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
從截?cái)嗟恼龖B(tài)分布中輸出隨機(jī)值，和tf.random_normal()一樣，但是所有數(shù)字都不超過(guò)兩個(gè)標(biāo)準(zhǔn)差
mean：均值
stddev：標(biāo)準(zhǔn)差

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
從正態(tài)分布中輸出隨機(jī)值，由隨機(jī)正態(tài)分布的數(shù)字組成的矩陣
mean：均值
stddev：標(biāo)準(zhǔn)差
?文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-832234.html

到了這里，關(guān)于深度學(xué)習(xí)基礎(chǔ)之《TensorFlow框架（6）—張量》的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！