TensorFlow2-基础操作

TensorFlow2基础操作

数据类型

• 说明
  • TensorFlow其实并没有那么神秘，为了适应自动求导和GPU运算，它应运而生。为了契合numpy的核心数据类型ndarray，其最核心的数据类型为Tensor，中文指张量（一般，数学上分标量，一维向量，二维矩阵，二维以上称为张量，当然在TF2中上述各种都是使用Tensor类型）。而Variable是对Tensor的一个封装，使其Tensor具有自动求导的能力（即可以被优化，这个类型是专为神经网络参数设定的）。
• Tensor
  • 数值类型
    • int, float, double
    • bool
    • string
    • 演示
  • Variable
    • 创建及使用类似Tensor，只是多了trainable等属性。
    • 

Tensor创建

• from numpy or list
  • TF的Tensor可以直接从numpy的矩阵或者符合矩阵规则的Pythonlist中生成。
  • 演示
• 方法创建
  • tf.zeros
    • 接受参数为shape，创建全0的tensor。
  • tf.zeros_like
    • 接受参数为tensor，创建根据该tensor的shape的全0的tensor。
  • tf.ones
    • 类似tf.zeros
  • tf.ones_like
    • 类似tf.zeros_like
  • tf.random.normal
    • 接受参数为shape,mean,stddev，创建指定shape的tensor，数据从指定均值和标准差的正态分布中采样。
  • tf.random.truncated_normal
    • 接受参数同上，创建指定shape的tensor，数据从指定均值和标准差的正态分布截断后采样。
  • tf.random.uniform
    • 接受参数为shape,minval,maxval，创建指定shape的tensor，数据从指定最小值到最大值之间的均匀分布中生成。
  • tf.range
    • 接受参数为limit，创建一维的start到limit的tensor。
  • tf.constant
    • 类似tf.convert_to_tensor。

Tensor索引和切片

• C语言风格
  • 通过多层下标进行索引。
• numpy风格
  • 通过多层下标索引，写在一个中括号内，使用逗号分隔。
• Python风格
  • array[start:end:step, start:end:step, ...]可以缺省，start和end缺省时取从开端到结尾。同时，默认从第一个维度开始取，几个冒号则从开始取几个维度，后面的剩余维度全取。同样，上述省略号表示后面的维度都取，等同于不写的含义（但是，当省略号出现在中间则不能不写）。
• selective index
  • tf.gather(a, axis, indices)
  • axis表示指定的收集维度，indices表示该维度上收集那些序号。
  • tf.gather_nd(a, indices)
  • indices可以是多维的，按照指定维度索引。
  • tf.boolean_mask(a, mask, axis)
  • 按照布尔型的mask，对为True的对应取索引（支持多层维度）。
  • 演示。

Tensor维度变换

• tf.reshape(a, shape)
  • 将Tensor调整为新的合法shape，不会改变数据，只是改变数据的理解方式。（reshape中维度指定为-1表示自动推导，类似numpy）
• tf.transpose(a, perm)
  • 将原来Tensor按照perm指定的维度顺序进行转置。
• tf.expand_dims(a, axis)
  • 在指定维度的前面（axis为正数）或者后面（axis为负数）增加一个新的空维度。
• tf.squeeze(a, axis)
  • 消去指定的可以去掉的维度（该维度值为1）。

Broadcast

• 不同维度的Tensor进行相关运算时需要维度进行统一，broadcast一般是先增加空维度再沿着这个维度复制原数据（事实上存储上没有复制）。在TensorFlow中，broadcast运算时是自动进行的，当然，也可以调用tf.broadcast_to(a, target_shape)进行显式操作。
• Broadcast使得编码相当简洁且节省内存空间。但是，当expand这一步无法进行时，broadcast就会失败，从而报错。
• 

数学运算

• 元素运算
  • 基本的加减乘除，即矩阵对应位置的元素进行这四种数学运算。
• 矩阵运算
  • 矩阵之间的运算，符合矩阵的运算规则，主要是矩阵乘法。
• 维度运算
  • 某一个维度上的操作，reduce_mean、reduce_max等方法。

补充说明

• 本文主要讲解了TensorFlow2提供的一些基础操作的API解析。
• 博客同步至我的个人博客网站，欢迎浏览其他文章。
• 如有错误，欢迎指正。