一、引入tf基础API
tf.function是tensorflow2.0中一个重要的feature,它可以把普通的python代码转成tensorflow的图结构。
tf.function可以让eager exection默认打开，如果没有tf.function，用eager exection编写的代码无法保存模型的中间训练结果。
note:本文着眼于实战tf的基础api，目的是让读者学会使用基础api，如果读者对自定义层次、自定义损失函数以及@tf.function的使用与自定义求导感兴趣，可以参考博主的其他文章，另有文章详细介绍。、
二、实战基础API
1、tf.constant 常量
#tf.constant：常量
t = tf.constant([[1., 2., 3.], [4., 5., 6.]])
# index索引操作
print(t)
print(t[:, 1:]) #取出从第二列以后的数值
print(t[..., 1]) #把第二列取出来当成一个单独的tensor输出显示：
tf.Tensor( [[1. 2. 3.] [4. 5. 6.]], shape=(2, 3), dtype=float32) tf.Tensor( [[2. 3.] [5. 6.]], shape=(2, 2), dtype=float32) tf.Tensor([2. 5.], shape=(2,), dtype=float32)
# ops算子操作
t = tf.constant([[1., 2., 3.], [4., 5., 6.]])
print(t+10)
print(tf.square(t)) #平方
print(t @ tf.transpose(t)) #乘以它的转置输出显示：
tf.Tensor( [[11. 12. 13.] [14. 15. 16.]], shape=(2, 3), dtype=float32) tf.Tensor( [[ 1. 4. 9.] [16. 25. 36.]], shape=(2, 3), dtype=float32) tf.Tensor( [[14. 32.] [32. 77.]], shape=(2, 2), dtype=float32)
# tensorflow -> numpy conversion
t = tf.constant([[1., 2., 3.], [4., 5., 6.]])
print(t.numpy())
print(np.square(t))
np_t = np.array([[1., 2., 3.], [4., 5., 6.]])
print(tf.constant(np_t))输出显示：
[[1. 2. 3.] [4. 5. 6.]] [[ 1. 4. 9.] [16. 25. 36.]] tf.Tensor( [[1. 2. 3.] [4. 5. 6.]], shape=(2, 3), dtype=float64)
# Scalars,0维的tensorflow
t = tf.constant(2.718)
print(t.numpy())
print(t.shape) #0维的矩阵2.718 ()
# strings
t = tf.constant("cafe")
print(t)
print(tf.strings.length(t))
print(tf.strings.length(t, unit="UTF8_CHAR"))
print(tf.strings.unicode_decode(t, "UTF8"))输出显示：
tf.Tensor(b'cafe', shape=(), dtype=string) tf.Tensor(4, shape=(), dtype=int32) tf.Tensor(4, shape=(), dtype=int32) tf.Tensor([ 99 97 102 101], shape=(4,), dtype=int32)
# string array
t = tf.constant(["cafe", "coffee", "咖啡"])
print(tf.strings.length(t))
print(tf.strings.length(t, unit="UTF8_CHAR")) #获得它UTF8编码时的长度
r = tf.strings.unicode_decode(t, "UTF8") #unicode->UTF8
print(r)输出显示：
tf.Tensor([4 6 6], shape=(3,), dtype=int32) tf.Tensor([4 6 2], shape=(3,), dtype=int32) <tf.RaggedTensor [[99, 97, 102, 101], [99, 111, 102, 102, 101, 101], [21654, 21857]]>
# ragged tensor:不完整的n维矩阵
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
# index op
print(r)
print(r[1]) #取出第一行
print(r[1:2]) #取出一到n行，左闭右开区间，只取1，则第二列。输出显示：
<tf.RaggedTensor [[11, 12], [21, 22, 23], [], [41]]> tf.Tensor([21 22 23], shape=(3,), dtype=int32) <tf.RaggedTensor [[21, 22, 23]]>
# ops on ragged tensor
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
r2 = tf.ragged.constant([[51, 52], [], [71]])
print(tf.concat([r, r2], axis = 0))#在0维度上进行拼接，竖向拼接,4行+3行：结果为7行
#print(tf.concat([r, r2], axis = 1)) #在1维度上进行拼接，出错，即：横向拼接输出显示：
<tf.RaggedTensor [[11, 12], [21, 22, 23], [], [41], [51, 52], [], [71]]>
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
r3 = tf.ragged.constant([[13, 14], [15], [], [42, 43]])
print(tf.concat([r, r3], axis = 0)) #在0维度上进行拼接，即：竖向拼接
print(tf.concat([r, r3], axis = 1)) #在1维度上进行拼接，即：横向拼接输出显示：
<tf.RaggedTensor [[11, 12], [21, 22, 23], [], [41], [13, 14], [15], [], [42, 43]]> <tf.RaggedTensor [[11, 12, 13, 14], [21, 22, 23, 15], [], [41, 42, 43]]>
#把ragged tensor转变成tensor，空闲部分用0补齐
print(r.to_tensor()) # 0永远在正常值的后面输出显示：
tf.Tensor( [[11 12 0] [21 22 23] [ 0 0 0] [41 0 0]], shape=(4, 3), dtype=int32)
# sparse tensor:应用于一个二维矩阵大部分位置都是0，少部分值为1时。
s = tf.SparseTensor(indices = [[0, 1], [1, 0], [2, 3]], #坐标,有序
values = [1., 2., 3.], #值
dense_shape = [3, 4]) #矩阵大小
print(s)
print(tf.sparse.to_dense(s)) #将sparse tensor转成普通的tensor(转成密集矩阵)输出显示：
SparseTensor(indices=tf.Tensor( [[0 1] [1 0] [2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64)) tf.Tensor( [[0. 1. 0. 0.] [2. 0. 0. 0.] [0. 0. 0. 3.]], shape=(3, 4), dtype=float32)
# ops on sparse tensors
s = tf.SparseTensor(indices = [[0, 1], [1, 0], [2, 3]], #坐标,有序
values = [1., 2., 3.], #值
dense_shape = [3, 4]) #矩阵大小
s2 = s * 2.0
print(s2)
#加法运算会报错
try:
s3 = s + 1
except TypeError as ex:
print(ex)
s4 = tf.constant([[10., 20.],
[30., 40.],
[50., 60.],
[70., 80.]])
print(tf.sparse.sparse_dense_matmul(s, s4))输出显示：
SparseTensor(indices=tf.Tensor( [[0 1] [1 0] [2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([2. 4. 6.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64)) unsupported operand type(s) for +: 'SparseTensor' and 'int' tf.Tensor( [[ 30. 40.] [ 20. 40.] [210. 240.]], shape=(3, 2), dtype=float32)
# sparse tensor
s5 = tf.SparseTensor(indices = [[0, 2], [0, 1], [2, 3]], #坐标,无序
values = [1., 2., 3.], #值
dense_shape = [3, 4]) #矩阵大小
print(s5) #可以正常打印
#print(tf.sparse.to_dense(s5)) #报错
s6 = tf.sparse.reorder(s5)
print(tf.sparse.to_dense(s6))输出显示：
SparseTensor(indices=tf.Tensor( [[0 2] [0 1] [2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64)) tf.Tensor( [[0. 2. 1. 0.] [0. 0. 0. 0.] [0. 0. 0. 3.]], shape=(3, 4), dtype=float32)
2、变量
# Variables
v = tf.Variable([[1., 2., 3.], [4., 5., 6.]])
print(v)
print(v.value()) #变成tensor
print(v.numpy())输出显示：
<tf.Variable 'Variable:0' shape=(2, 3) dtype=float32, numpy=
array([[1., 2., 3.],
[4., 5., 6.]], dtype=float32)>
tf.Tensor(
[[1. 2. 3.]
[4. 5. 6.]], shape=(2, 3), dtype=float32)
[[1. 2. 3.]
[4. 5. 6.]]
# assign value
v.assign(2*v) #给变量重新赋值
print(v.numpy())
v[0, 1].assign(42) #给特定位置赋值
print(v.numpy())
v[1].assign([7., 8., 9.]) #给第一行赋值
print(v.numpy())输出显示：
[[ 2. 4. 6.] [ 8. 10. 12.]] [[ 2. 42. 6.] [ 8. 10. 12.]] [[ 2. 42. 6.] [ 7. 8. 9.]]
#变量的赋值只能用“assign”，不能用等号
try:
v[1] = [7., 8., 9.]
except TypeError as ex:
print(ex)输出显示：
'ResourceVariable' object does not support item assignment
原创文章 46
获赞 49
访问量 2192