深度学习#张量

tensorfrom

基础介绍

1.tensor–张量
2.op(operation):专门运算的的操作节点，所有操作都是一个op
3.图：graph：你的整个程序结构
4.绘画：session()–运算程序的图，而使用的

只要用tf定义的API的函数都是op

Session()绘画

1.tensor:前段，定义程序的图的机构
后端：运算图结构

绘画的作用

1. 运行图的结构
2. 分配计算资源
3. 掌握资源(变量资源，队列，线程)

import tensorflow as tf


# 实现加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)

sum1 = tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(sum1))

• 一个with 只能执行一个哦

# 指定运行另一张图
g=tf.Grap()
sum1 = tf.add(a, b)
with tf.Session(grap=g) as sess:
    print(sess.run(sum1))

tf.InteractiveSession()------交互式

a = tf.constant(5.0)
b = tf.constant(6.0)

sum1 = tf.add(a, b)
# 只要有上下文就可以使用方便的eavl()
with tf.Session() as sess:
    print(sum1.eval())

run（）

1. 不是op不能运行的哦*

placeholder----feed_dict

# placeholder 占位符，先站位了然后后期在放东西进入
plt = tf.placeholder(tf.float32, [2, 3])

with tf.Session() as sess:
    print(sess.run(plt, feed_dict={plt:[[1, 2, 3], [4, 5, 89]]}))
--------------------------
[none, 3]--shape（？，3）

二.张量-----tensor

1. Tensorfrom基本数据类型
2. 一个类型化的N维数据类型
3. 三部分：名字，形状，数据类型

阶	数学实例	python
0	纯量	只有大小
1	向量	只有大小和方向
2	矩阵	数据表
3	3阶张量	数据立体
n	n阶	自己想

张量的基本属性

1. a.graph-------默认图
2. a.shape------形状
3. a.name-------张量字符串描述
4. a.op-----------操作名

打印出来形状表示

0维：（）
1维：（5）
2维：（2，3）
3维：（2，3，4）—2张3行4列的表

张量的形态

动态形状和静态形状：在于有没有生成一个新的张量数据
Tensorflow中，张量具有静态形态和动态形态

• 静态形态
  1.创建一个张量，初始状态的形状
• 动态形态
  1.一种描述原始张量在执行过程中的形态
  2.tf.reshape:创建一个具有不同形态的新张量

# 静态形状，没固定可以修改
plt = tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set_shape([3, 2])
print(plt)

Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Placeholder:0", shape=(3, 2), dtype=float32)

反之静态形状，固定不可修改

# 静态形状，没固定可以修改
plt = tf.placeholder(tf.float32,[4,2])
print(plt)
plt.set_shape([3, 2])
print(plt)

ValueError: Dimension 0 in both shapes must be equal, but are 4 and 3. Shapes are [4,2] and [3,2].

动态形状可以，创建一个张量-tf.reshape

plt = tf.placeholder(tf.float32,[None,2])
print(plt)
plt.set_shape([3, 2])
print(plt)
plt_reshape = tf.reshape(plt, [2,3])
print(plt_reshape)

Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Placeholder:0", shape=(3, 2), dtype=float32)
Tensor("Reshape:0", shape=(2, 3), dtype=float32)
ValueError:Cannot reshape a tensor with 6 elements to shape [4,3] (12 elements) for 'Reshape_1' (op: 'Reshape') with input shapes: [3,2], [2] and wi

动态形态可以创建一个新的张量，改变时候一定要注意元素的匹配，上面是【2，3】一共6个，动态reshape只能6个

注：

1. 静态形态，1D->1D,2D–>2D，不能夸维度修改
   动态形态可以跨纬度修改，1D–>2D 1D–>3D
2. 对于已经固定或者设置静态形态的张量，不能再次设置静态形态
3. tf.reshape（）动态创建新张量，元素个数不能差

创建张量

1. 随机张量
   tf.random_normal(shape，mean=0.0，stddev=1.0，dtype=tf.float32,seed=None，name=None)
   mean—平均值
   stddev—标准差

2. 变量转换
   tf.cast([[1,2,3],[3,4,5]],tf.float32)

3. 切片与扩张

import tensorflow as tf
#
a=[[1,2,3],[3,4,5]]
b=[[2,2,2],[3,4,3]]
c=tf.concat([a,b], axis=0)
b=tf.concat([a,b], axis=1)
with tf.Session() as sess:
    print(c.eval())
    print('*'*50)
    print(b.eval())
    pass

[[1 2 3]
 [3 4 5]
 [2 2 2]
 [3 4 3]]
****************
[[1 2 3 2 2 2]
 [3 4 5 3 4 3]]