Tensorfflow基础知识（一）

摘要：本文主要介绍了Tensorflow的一些基础知识，由于内容比较多，所以分成两部分来介绍。

1、数据类型

Tensorflow中的基本数据类型包括数值型、字符串型和布尔型。需要注意的是，这三种数据类型在Tensorflow中不同于在python中相应的类型——需要使用创建张量的形式进行创建，具体如下：

 可以看到，python基础数据类型和TensorFlow的数据类型是有差异的。那么差异在哪里呢？如下：

• 创建数值型的数据：

继续上面的代码，b就是一个标量(0维)：

• id ：TensorFlow 中内部索引对象的编号
• shape： 表示张量的形状
• dtype ：表示张量的数值精度
• numpy：numpy()是一个方法，可以返回Numpy.array 类型的数据，方便导出数据到系统的其他模块，注意上面的代码中numpy返回的是一个标量，如果是一个向量(一维)的话：

 需要注意的是，如果想要创建一个向量，输入的数据一定是list类型。举例下面的代码,和上面的b的numpy做对比：

 下面，我们继续创建一个矩阵（二维）：

 最后，我们还可以再创建一个三维的张量（例如RGB图像）：

 

 注意到，加括号的情况，外层多一个括号就多一个维度。

• 创建字符串类型的数据：

对于字符串类型，其创建方法和创建数值型的数据区别不大，而且创建的字符串可以使用strings模块进行字符串的操作：

• 创建布尔类型的数据：

为了方便比较运算，Tensorflow还支持布尔型数据的创建，还可以用布尔型数据创建向量等：

 2、数据精度

其实对于数值类型的数据，是可以进行精度的设定的，如果不设定，那么浮点数会默认32位，当然也可以自己设定。精度包括：tf.int16, tf.int32, tf.int64, tf.float16, tf.float32,tf.float64，其中tf.float64 即为tf.double：

再例如，对于圆周率pi来说：

•  读取和修改精度：

可以通过dtype成员直接获取数据的精度，可以使用tf.cast方法来修改精度：

 另外，布尔型数据和整型数据之间的转换也是合法的：

3、待优化的张量

在神经网络的计算当中，有的张量需要不断地修改优化，而有的张量则是一成不变的，于是在TensorFlow中出现了一种创建待优化张量的方法：tf.Variable，这种方法既可以改造普通张量，也可以直接创建待优化张量：

在上面的例子中，name和trainable是两种待优化类型张量的特有属性，name 属性用于命名计算图中的变量，这套命名体系是TensorFlow 内部维护的，一般不需要用户关注name 属性；trainable表征当前张量是否需要被优化，创建Variable 对象是默认启用优化标志，可以设置trainable=False 来设置张量不需要优化。

注意：待优化张量可看做普通张量的特殊类型，普通张量也可以通过GradientTape.watch()方法临时加入跟踪梯度信息的列表。

4、张量的创建

• 从Numpy和List对象转换创建张量：

•  创建全0或者全1的张量：

主要是借助两个API：tf.zeros和tf.ones，这两个函数的参数是张量的维度信息：

 另外还有相应的复制函数：tf.zeros_like， tf.ones_like，参数就是全0或者全1的张量。举一个简单的例子：

•  创建自定义数值的张量：

借助API：tf.fill(shape, value），第一个参数是维度信息，第二个要设定的值：

• 创建已知分布的张量：

常见的分布有均值分布和高斯分布，这样的分布很适合我们某些场合下的应用，例如卷积神经网络很适合用高斯核，高斯核其实就是一个符合高斯分布的张量。这里主要借助两个API：

• tf.random.normal(shape, mean=0.0, stddev=1.0)可以创建形状为shape，均值为mean，标准差为stddev 的正态分布𝒩(𝑚𝑒𝑎𝑛, 𝑠𝑡𝑑𝑑𝑒𝑣2)；
• tf.random.uniform(shape, minval=0, maxval=None, dtype=tf.float32)可以创建采样自[𝑚𝑖𝑛𝑣𝑎𝑙, 𝑚𝑎𝑥𝑣𝑎𝑙]区间的均匀分布的张量。

• 创建序列：

通过tf.range(start，end，delta)函数实现：