TensorFlow2.0（1）：基本数据结构——张量
| 
59 | 
0
原标题：TensorFlow2.0（1）：基本数据结构——张量
原文来自：博客园 原文链接：https://www.cnblogs.com/chenhuabin/p/11561633.html
注：本系列所有博客将持续更新并发布在github上，您可以通过github下载本系列所有文章笔记文件。
TensorFlow2.0版本已经发布，虽然不是正式版，但预览版都发布了，正式版还会远吗？相比于1.X，2.0版的TensorFlow修改的不是一点半点，这些修改极大的弥补了1.X版本的反人类设计，提升了框架的整体易用性，绝对好评！
赶紧来学习一波吧，做最先吃螃蟹的那一批人！先从TensorFlow的基本数据结构——张量（tensor）开始。
In [1]:
import tensorflow as tf
In [2]:
tf.constant(1) # 创建一个整型张量
Out[2]:
<tf.Tensor: id=0, shape=(), dtype=int32, numpy=1>
In [3]:
tf.constant(1.) # 创建一个浮点型张量
Out[3]:
<tf.Tensor: id=2, shape=(), dtype=float32, numpy=1.0>
In [4]:
tf.constant(2., dtype=tf.double) # 创建的同时指定数据类型
Out[4]:
<tf.Tensor: id=4, shape=(), dtype=float64, numpy=2.0>
In [5]:
tf.constant([[1.,2.,3.],[4.,5.,6.]]) # 通过传入一个list参数创建
Out[5]:
<tf.Tensor: id=6, shape=(2, 3), dtype=float32, numpy= array([[1., 2., 3.], [4., 5., 6.]], dtype=float32)>
如果输入的数据与指定的数据类型不相符，会产生以下异常：
TypeError: Cannot convert provided value to EagerTensor. Provided value: 2.1 Requested dtype: int32
In [9]:
import numpy as np
In [10]:
tf.convert_to_tensor(np.ones([2, 3]))
Out[10]:
<tf.Tensor: id=9, shape=(2, 3), dtype=float64, numpy= array([[1., 1., 1.], [1., 1., 1.]])>
In [11]:
tf.convert_to_tensor(np.ones([2, 3]))
Out[11]:
<tf.Tensor: id=11, shape=(2, 3), dtype=float64, numpy= array([[1., 1., 1.], [1., 1., 1.]])>
In [12]:
tf.convert_to_tensor([[2.,3.],[3., 4.]])
Out[12]:
<tf.Tensor: id=13, shape=(2, 2), dtype=float32, numpy= array([[2., 3.], [3., 4.]], dtype=float32)>
如果你熟悉numpy创建数组的方法，你一定见过zeros()、ones()等方法，TensorFlow中也有这些方法。
（1）zeros()与ones()
In [24]:
a = tf.zeros([2, 3, 3]) # 创建一个元素全为0，形状为[2, 3, 3]的tensor
In [25]:
a
Out[25]:
<tf.Tensor: id=46, shape=(2, 3, 3), dtype=float32, numpy= array([[[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]], [[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]]], dtype=float32)>
In [26]:
b = tf.ones([2, 3]) # 创建一个元素全为1，形状为[2, 3]的tensor
In [27]:
b
Out[27]:
<tf.Tensor: id=50, shape=(2, 3), dtype=float32, numpy= array([[1., 1., 1.], [1., 1., 1.]], dtype=float32)>
（2）zeros_like()与ones_like
In [28]:
tf.zeros_like(b) # 仿照b的shape创建一个全为0的tensor
Out[28]:
<tf.Tensor: id=52, shape=(2, 3), dtype=float32, numpy= array([[0., 0., 0.], [0., 0., 0.]], dtype=float32)>
In [29]:
tf.ones_like(a) # 仿照b的shape创建一个全为1的tensor
Out[29]:
<tf.Tensor: id=56, shape=(2, 3, 3), dtype=float32, numpy= array([[[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]], [[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]], dtype=float32)>
（3）fill()
In [21]:
tf.fill([2,3],5) # 创建元素全为5，形状为[2,3]的tensor
Out[21]:
<tf.Tensor: id=38, shape=(2, 3), dtype=int32, numpy= array([[5, 5, 5], [5, 5, 5]])>
在实际应用中，经常需要随机初始化元素服从某种分布的tensor，TensorFlow中也提供了这种功能。
（1）从指定正态分布中随机取值：tf.random.normal()。例如，随机初始化一个元素服从均值为1，方差为1的正态分布且形状为[2, 3]的tensor：
In [30]:
tf.random.normal([2, 3], mean=1, stddev=1)
Out[30]:
<tf.Tensor: id=63, shape=(2, 3), dtype=float32, numpy= array([[ 1.7034731 , 0.4979009 , 1.4266468 ], [-0.33414853, 0.2618034 , 0.3966313 ]], dtype=float32)>
（2）从指定的截断正态分布中随机取值：truncated_normal()。意思是从指定的正太分布中取值，但是取值范围在两个标准差范围内，也就是：[ mean - 2 stddev, mean + 2 stddev ]
In [31]:
tf.random.truncated_normal([2, 3], mean=1, stddev=1)
Out[31]:
<tf.Tensor: id=70, shape=(2, 3), dtype=float32, numpy= array([[0.71736836, 1.7930655 , 0.47575486], [0.83504593, 0.7969478 , 0.6002228 ]], dtype=float32)>
（3）从指定均匀分布中随机取值：tf.random.uniform()。
In [32]:
tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布
Out[32]:
<tf.Tensor: id=78, shape=(2, 3), dtype=float32, numpy= array([[1.7117869, 1.2625391, 1.6652637], [1.3810604, 1.0297629, 1.1268978]], dtype=float32)>
In [33]:
a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))
In [34]:
a
Out[34]:
<tf.Tensor: id=80, shape=(2, 2, 4, 5), dtype=int32, numpy= array([[[[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]], [[20, 21, 22, 23, 24], [25, 26, 27, 28, 29], [30, 31, 32, 33, 34], [35, 36, 37, 38, 39]]], [[[40, 41, 42, 43, 44], [45, 46, 47, 48, 49], [50, 51, 52, 53, 54], [55, 56, 57, 58, 59]], [[60, 61, 62, 63, 64], [65, 66, 67, 68, 69], [70, 71, 72, 73, 74], [75, 76, 77, 78, 79]]]])>
TensorFlow支持Python原生的基础索引方式，即多个方括号逐步索引取值：[idx][idx][idx]，每个方括号对应一个维度。
In [35]:
a[0] # 取第一个维度
Out[35]:
<tf.Tensor: id=85, shape=(2, 4, 5), dtype=int32, numpy= array([[[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]], [[20, 21, 22, 23, 24], [25, 26, 27, 28, 29], [30, 31, 32, 33, 34], [35, 36, 37, 38, 39]]])>
In [36]:
a[0][1] # 同时筛选两个维度
Out[36]:
<tf.Tensor: id=94, shape=(4, 5), dtype=int32, numpy= array([[20, 21, 22, 23, 24], [25, 26, 27, 28, 29], [30, 31, 32, 33, 34], [35, 36, 37, 38, 39]])>
In [37]:
a[0][1][3][3] # 同时对4个维度进行筛选
Out[37]:
<tf.Tensor: id=111, shape=(), dtype=int32, numpy=38>
这种索引数据的方法简单，易于理解，但是可读性差，只能按维度依次索引数据，也不能索引列。
TensorFlow也继承了numpy中的部分索引方式，如果对numpy索引方式不熟悉，可以查看我的前几篇博客。
（1）[idx1, idx2, idx3]
这种索引方式是在一个方括号内写下所有的索引，每个索引序号之间用逗号隔开。
In [38]:
a[1] # 筛选第一维度，这跟基础索引一样
Out[38]:
<tf.Tensor: id=116, shape=(2, 4, 5), dtype=int32, numpy= array([[[40, 41, 42, 43, 44], [45, 46, 47, 48, 49], [50, 51, 52, 53, 54], [55, 56, 57, 58, 59]], [[60, 61, 62, 63, 64], [65, 66, 67, 68, 69], [70, 71, 72, 73, 74], [75, 76, 77, 78, 79]]])>
In [39]:
a[1,1, 3] # 同时帅选3个维度
Out[39]:
<tf.Tensor: id=121, shape=(5,), dtype=int32, numpy=array([75, 76, 77, 78, 79])>
（2）冒号切片与步长：[start:end:step]
这种索引方式在Python原生的list类型中也是常见的，而且使用方法也是一样的。
In [40]:
a[1,:,0:2] # 对第1维度选第二块数据，对第二维度选所有数据，对第三维度选前两行
Out[40]:
<tf.Tensor: id=126, shape=(2, 2, 5), dtype=int32, numpy= array([[[40, 41, 42, 43, 44], [45, 46, 47, 48, 49]], [[60, 61, 62, 63, 64], [65, 66, 67, 68, 69]]])>
In [41]:
a[1,:,0:2,0:4] # 继续上面的例子，对第4维度筛选去前4列
Out[41]:
<tf.Tensor: id=131, shape=(2, 2, 4), dtype=int32, numpy= array([[[40, 41, 42, 43], [45, 46, 47, 48]], [[60, 61, 62, 63], [65, 66, 67, 68]]])>
In [42]:
a[1,:,0:2,0:4:2] # 对第4维度加上步长，每隔一个数据取一次
Out[42]:
<tf.Tensor: id=136, shape=(2, 2, 2), dtype=int32, numpy= array([[[40, 42], [45, 47]], [[60, 62], [65, 67]]])>
也可以使用负值步长表示逆序索引，但要注意，负数步长时，原本的[start : end : step]也要跟着编程[end : start : step]：
In [43]:
a[1,:,0:2,4:0:-1]
Out[43]:
<tf.Tensor: id=141, shape=(2, 2, 4), dtype=int32, numpy= array([[[44, 43, 42, 41], [49, 48, 47, 46]], [[64, 63, 62, 61], [69, 68, 67, 66]]])>
In [44]:
a[1,:,0:2,4:0:-2]
Out[44]:
<tf.Tensor: id=146, shape=(2, 2, 2), dtype=int32, numpy= array([[[44, 42], [49, 47]], [[64, 62], [69, 67]]])>
在numpy和TensorFlow中还有“..."（三个英文句号）的使用，“..."用于表示连续多个维度全选：
In [45]:
a[1,...,0:4] # 等同于a[1, : , : ,0:4]
Out[45]:
<tf.Tensor: id=151, shape=(2, 4, 4), dtype=int32, numpy= array([[[40, 41, 42, 43], [45, 46, 47, 48], [50, 51, 52, 53], [55, 56, 57, 58]], [[60, 61, 62, 63], [65, 66, 67, 68], [70, 71, 72, 73], [75, 76, 77, 78]]])>
In [46]:
a[0,0,...] # 等同于a[0,0,:,:]
Out[46]:
<tf.Tensor: id=156, shape=(4, 5), dtype=int32, numpy= array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]])>
gather与gather_nd是指TensorFlow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中，可以通过嵌套list的方式来指定无规则的索引：
In [47]:
b = np.arange(20).reshape(4,5)
In [48]:
b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列
Out[48]:
array([5, 8, 9])
但是在TensorFlow中，这种索引方式并没有从numpy中继承下来,所以如果在Tensor中使用这种方式，会抛出以下异常：
TypeError: Only integers, slices (:), ellipsis (...), tf.newaxis (None) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]
还好的是，在TensorFlow中通过gather()方法和gather_nd()方法提供了这种索引方法。
（1）gather()方法
In [54]:
tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行
Out[54]:
<tf.Tensor: id=163, shape=(3, 5), dtype=int32, numpy= array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]])>
In [55]:
tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列
Out[55]:
<tf.Tensor: id=168, shape=(4, 3), dtype=int32, numpy= array([[ 0, 2, 3], [ 5, 7, 8], [10, 12, 13], [15, 17, 18]])>
仔细观察上面gather()方法例子，可以发现，第一个参数时数据源，还有两个参数中，axis指的是将要的维度，indices指的是需要选取的序号。
（2）gather_nd()
gather()方法一次只能对一个维度进行索引，gather_nd()方法可以同时对多个维度进行索引。
In [56]:
tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据，和第4行第4列的数据
Out[56]:
<tf.Tensor: id=172, shape=(2,), dtype=int32, numpy=array([ 2, 18])>
可以结合一些简单的逻辑运算符进行索引取值：
In [1]:
import tensorflow as tf
In [6]:
a = tf.random.uniform([3,3],minval=-10,maxval=10,dtype=tf.int32)a
Out[6]:
<tf.Tensor: id=17, shape=(3, 3), dtype=int32, numpy= array([[-7, -9, 6], [-6, -5, 9], [ 8, 9, 4]])>
In [7]:
mask = a < 0mask
Out[7]:
<tf.Tensor: id=20, shape=(3, 3), dtype=bool, numpy= array([[ True, True, False], [ True, True, False], [False, False, False]])>
可以看到，返回的是一个shape与a相同的tensor，在a小于零的位置是True，大于零的位置为False。进一步地，我们可以用boolwan_mask()方法直接取出符合条件的元素：
In [13]:
tf.boolean_mask(a,mask)
Out[13]:
<tf.Tensor: id=82, shape=(4,), dtype=int32, numpy=array([-7, -9, -6, -5])>
可以结合where()方法取出符合条件元素的索引：
In [14]:
m_index = tf.where(mask)m_index
Out[14]:
<tf.Tensor: id=84, shape=(4, 2), dtype=int64, numpy= array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=int64)>
再使用之前说过的gather_nd()方法取值：
In [15]:
tf.gather_nd(a,m_index)
Out[15]:
<tf.Tensor: id=86, shape=(4,), dtype=int32, numpy=array([-7, -9, -6, -5])>
where()方法还有第二种用法——从两个tensor中取出符合条件的值，这时候where()方法必须接受3个参数：
In [26]:
condition = tf.random.uniform([3,3],minval=0,maxval=2,dtype=tf.int32)condition = tf.cast(condition, tf.bool)condition
Out[26]:
<tf.Tensor: id=124, shape=(3, 3), dtype=bool, numpy= array([[ True, True, False], [ True, False, False], [ True, False, False]])>
In [34]:
a = tf.range(1,10)a = tf.reshape(a,[3,3])a
Out[34]:
<tf.Tensor: id=162, shape=(3, 3), dtype=int32, numpy= array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])>
In [35]:
b = tf.range(-9,0)b = tf.reshape(b,[3,3])b
Out[35]:
<tf.Tensor: id=169, shape=(3, 3), dtype=int32, numpy= array([[-9, -8, -7], [-6, -5, -4], [-3, -2, -1]])>
In [36]:
tf.where(condition, a, b)
Out[36]:
<tf.Tensor: id=171, shape=(3, 3), dtype=int32, numpy= array([[ 1, 2, -7], [ 4, -5, -4], [ 7, -2, -1]])>
上面where()方法返回的结果在True的位置取值是a中对应位置元素的值，在False位置是b中对应元素的值。
numpy中的ndarray数组有个一reshape()方法，用来改变数组的shape，TensorFlow中的reshape()方法，功能也是一样的，不过TensorFlow中的reshape()没有绑定到tensor中：
In [58]:
a = tf.ones([2,3,4])
In [59]:
a.shape
Out[59]:
TensorShape([2, 3, 4])
In [60]:
a
Out[60]:
<tf.Tensor: id=176, shape=(2, 3, 4), dtype=float32, numpy= array([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]], dtype=float32)>
In [61]:
b = tf.reshape(a, [2, 2, 6])
In [62]:
b.shape
Out[62]:
TensorShape([2, 2, 6])
In [64]:
b
Out[64]:
<tf.Tensor: id=179, shape=(2, 2, 6), dtype=float32, numpy= array([[[1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.]], [[1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.]]], dtype=float32)>
In [65]:
c = tf.reshape(a, [3, 2, 4])
In [66]:
c
Out[66]:
<tf.Tensor: id=183, shape=(3, 2, 4), dtype=float32, numpy= array([[[1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.]]], dtype=float32)>
可以看到，在上面的例子中，通过reshape()方法可以很方便的改变tensor的形状，得到一个新的tensor，需要注意的是在进行维度变换时，数据的重量是不变的，上面的例子无论是[2,3,4]， [2, 2, 6]还是[3, 2, 4]都对应总量24，如果对应不上，就会产生异常。
transpose()方法提供了一种类似于装置的操作：
In [75]:
a = tf.constant([[1,2,3],[4,5,6]])
In [76]:
a.shape
Out[76]:
TensorShape([2, 3])
In [77]:
b = tf.transpose(a)
In [78]:
b.shape
Out[78]:
TensorShape([3, 2])
In [79]:
b
Out[79]:
<tf.Tensor: id=192, shape=(3, 2), dtype=int32, numpy= array([[1, 4], [2, 5], [3, 6]])>
在默认情况下，transpose()方法会将所有维度按逆序方式完全转置，当然也可以通过perm参数执行需要转置的维度：
In [80]:
a=tf.constant([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
In [81]:
a
Out[81]:
<tf.Tensor: id=194, shape=(2, 2, 3), dtype=int32, numpy= array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])>
In [82]:
b = tf.transpose(a) # 不指定perm参数时，相当于tf.transpose(a, perm=[2, 1, 0])
In [83]:
b
Out[83]:
<tf.Tensor: id=197, shape=(3, 2, 2), dtype=int32, numpy= array([[[ 1, 7], [ 4, 10]], [[ 2, 8], [ 5, 11]], [[ 3, 9], [ 6, 12]]])>
In [84]:
c = tf.transpose(a, perm=[2, 1, 0])
In [85]:
c
Out[85]:
<tf.Tensor: id=200, shape=(3, 2, 2), dtype=int32, numpy= array([[[ 1, 7], [ 4, 10]], [[ 2, 8], [ 5, 11]], [[ 3, 9], [ 6, 12]]])>
In [86]:
d = tf.transpose(a, perm=[0, 2, 1]) # 第一个维度不做变换，对第二、第三维度进行转置
In [87]:
d
Out[87]:
<tf.Tensor: id=203, shape=(2, 3, 2), dtype=int32, numpy= array([[[ 1, 4], [ 2, 5], [ 3, 6]], [[ 7, 10], [ 8, 11], [ 9, 12]]])>
In [88]:
a=tf.constant([[1,2,3],[4,5,6]])
In [89]:
a
Out[89]:
<tf.Tensor: id=205, shape=(2, 3), dtype=int32, numpy= array([[1, 2, 3], [4, 5, 6]])>
In [90]:
tf.expand_dims(a, axis=0)
Out[90]:
<tf.Tensor: id=208, shape=(1, 2, 3), dtype=int32, numpy= array([[[1, 2, 3], [4, 5, 6]]])>
In [91]:
tf.expand_dims(a, axis=1)
Out[91]:
<tf.Tensor: id=211, shape=(2, 1, 3), dtype=int32, numpy= array([[[1, 2, 3]], [[4, 5, 6]]])>
In [92]:
tf.expand_dims(a, axis=-1)
Out[92]:
<tf.Tensor: id=214, shape=(2, 3, 1), dtype=int32, numpy= array([[[1], [2], [3]], [[4], [5], [6]]])>
In [93]:
tf.expand_dims(a, axis=2)
Out[93]:
<tf.Tensor: id=217, shape=(2, 3, 1), dtype=int32, numpy= array([[[1], [2], [3]], [[4], [5], [6]]])>
expand_dims()方法添加维度时，通过axis参数指定添加维度的位置，正数表示从前往后数，负数表示从后往前数。
squeeze()方法与expand_dims()方法作用刚好相反，其作用是删除张量中dim为1的维度：
In [94]:
a = tf.ones([1,3,1,2])
In [95]:
a
Out[95]:
<tf.Tensor: id=221, shape=(1, 3, 1, 2), dtype=float32, numpy= array([[[[1., 1.]], [[1., 1.]], [[1., 1.]]]], dtype=float32)>
In [96]:
tf.squeeze(a)
Out[96]:
<tf.Tensor: id=223, shape=(3, 2), dtype=float32, numpy= array([[1., 1.], [1., 1.], [1., 1.]], dtype=float32)>
免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。
合作及投稿邮箱：E-mail:editor@tusaishared.com
热门资源
Python 爬虫（二）...
所谓爬虫就是模拟客户端发送网络请求，获取网络响...
TensorFlow从1到2...
原文第四篇中，我们介绍了官方的入门案例MNIST，功...
TensorFlow从1到2...
“回归”这个词，既是Regression算法的名称，也代表...
TensorFlow2.0（10...
前面的博客中我们说过，在加载数据和预处理数据时...
机器学习中的熵、...
熵 (entropy) 这一词最初来源于热力学。1948年，克...
智能在线
400-630-6780
聆听.建议反馈
E-mail: support@tusaishared.com
资源分类
