张量

1.数据类型

 

数据类型 Python 类型 描述

DT_FLOAT tf.float32 32 位浮点数.

DT_DOUBLE tf.float64 64 位浮点数.

DT_INT64 tf.int64 64 位有符号整型.

DT_INT32 tf.int32 32 位有符号整型.

DT_INT16 tf.int16 16 位有符号整型.

DT_INT8 tf.int8 8 位有符号整型.

DT_UINT8 tf.uint8 8 位无符号整型.

2. 维数

con1 = tf.constant(11.0,name="con1")
con2 = tf.constant([1,2,3,4],name="con2")
con3 = tf.constant([[1],[3],[2]],name="con3")


print(con1.shape)
print(con2.shape)
print(con3.shape)

运行结果

()  --0维
(4,) --1维
(3, 1)  --2维

3.创建张量的指令

    固定值张量

tf.zeros(shape,dtype=tf.float32,name=None)  所有元素为0的张量,float32为默认的，可以改变
tf.ones(shape,dtype=tf.float32,name=None)   所有元素为1的张量,float32为默认的，可以改变

tf.constant(shape,dtype=tf.float32,name=None) 常数张量,float32为默认的，可以改变

a = tf.zeros([2])
b = tf.zeros([2, 3], dtype=tf.int32)

     运行结果:

[0. 0.]

[[0 0 0]
 [0 0 0]]

 

    随机值张量

        random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)  从正态分布中输出随机值

       其它特殊的创建张量的op

                变量OP

4.张量的变换

      类型改变

• tf.string_to_number(string_tensor, out_type=None, name=None)  
  • 将输入Tensor中的每个字符串转换为指定的数字类型。注意，int32溢出导致错误，而浮点溢出导致舍入值

  • n1 = tf.constant(["1234","6789"])
    n2 = tf.string_to_number(n1,out_type=tf.float32)
    
    with   tf.compat.v1.Session() as  sess:
    
        print(sess.run(n2))#通过使用sess.run()来运行operation

              运行结果

[1234. 6789.]

• tf.cast(x, dtype, name=None)
  • x：需要转换数据类型的对象   dtype：转换至此数据类型 

• import tensorflow as tf
  
  a=[[9.5,2.7],[1,2]]
  b=tf.cast(a,tf.int32)
  
  with tf.Session() as sess:
      print(sess.run(b))

  运行结果

[[9 2] 
[1 2]]

 5.形状

• 动态形状 tf.reshape(tensor, shape, name=None)
• tf.reshape()动态创建新张量时，张量的元素个数必须匹配
• 静态形状tf.set_shape(input, name=None)
  • 转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状
  • 对于已经固定的张量的静态形状的张量，不能再次设置静态形状

 

5.tf.compat.v1.global_variables_initializer()

           默认添加所有节点用于初始化全局变量(GraphKeys.GLOBAL_VARIABLES)。返回一个初始化所有全局变量的操作（Op）。在你构建完整个模型并在会话中加载模型后，运行这个节点。能够将所有的变量一步到位的初始化，非常的方便。通过feed_dict, 你也可以将指定的列表传递给它，只初始化列表中的变量。