import tensorflow as tf

TensorFlow -- 张量

张量的阶：

张量的数据类型：

张量属性

• graph      张量所属的默认图
• op           张量的操作名
• name      张量的字符串描述
• shape     张量的形状

张量的动态形状与静态形状

• TensorFlow中，张量具有静态形状和动态形状
• 静态形状： 创建一个张量，初始状态的形状

1. tf.Tensor.get_shape：获取静态形状
2. tf.Tensor.set_shape：更新Tensor对象的静态形状

• 动态形状：一种描述原始张量在执行过程中的一种形状（动态变化）

1. tf.reshape：创建一个具有不同形态的新张量

• 要点：

1. 转换静态形状的时候，1-D到1-D，2-D到2-D，不等跨阶数改变形状
2. 对于已经固定或者设置静态形态的张量/变量，不能再次设置静态形状
3. tf.reshape()动态创建新张量是，元素个数不能不匹配

张量的操作

生成张量-固定值张量

• tf.zeros(shape, dtype=tf.float32, name=None)    创建所有元素都设置为零的张量，此操作返回具有shape和shape的dtype类型的张量所有元素设置为零
• tf.zeros_like(tensor, dtype=tf.float32, name=None)    创建所有元素都设置为零的张量，给定一个张量（`tensor`），此操作返回与“tensor”相同的类型和形状，所有元素都设置为零。或者，可以使用“dtype”为返回的张量指定新类型
• tf.ones(shape, dtype=tf.float32, name=None)    创建一个所有元素都设置为1的张量，此操作返回一个类型为'dtype'，形状为'shape'，所有元素都设置为1的张量
• tf.ones_like(tensor, dtype=None, name=None, optimize=True)    创建一个所有元素都设置为1的张量，给定一个张量（`tensor`），此操作返回一个与`tensor`类型和形状相同的张量，所有元素都设置为1，或者，可以为返回的张量指定一个新类型（`dtype`）
• tf.fill(dims, value, name=None)    创建用标量值填充的张量，此操作创建形状为“dims”的张量并用“value”填充`
• tf.constant(value, dtype=None, shape=None, name="Const", verify_shape=False)    创建以恶搞常数变量

生成张量-随机张量

• tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=dtypes.float32, seed=None, name=None)    从截断正态分布中输出随机值，生成的值遵循具有指定平均值和标准偏差的正态分布，但幅度大于平均值的2个标准偏差的值被丢弃并重新拾取
• tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=dtypes.float32, seed=None, name=None)    从正态分布输出随机值

张量变换-改变类型

提供了如下一些改变张量中数值类型的函数

• tf.string_to_number(string_tensor, out_type=None, name=None)
• tf.to_double(x, name="ToDouble")
• tf.to_float(x, name="ToFloat")
• tf.to_bfloat16(x, name="ToBFloat16")
• tf.to_int32(x, name="ToInt32")
• tf.to_int64(x, name="ToInt64")
• tf.cast(x, dtype, name=None)

张量变换-形状和变换

可用于确定张量的形状并更改张量的形状

• tf.shape(input, name=None)
• tf.size(input, name=None)
• tf.rank(input, name=None)
• tf.reshape(tensor, shape, name=None)
• tf.squeeze(input, squeeze_dims=None, name=None)
• tf.expand_dims(input, dim, name=None)

切片与扩展

• tf.concat(values, axis, name="concat")

TensorFlow -- 变量

变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量，默认被训练

变量的创建

tf.Variable(initial_value=None, name=None, trainable=True)

• 创建一个带值initial_value的新变量
• tf.Variable().assign(value)    为变量分配一个新值
• tf.Variable().eval(session=None)    计算并返回此变量的值
• tf.Variable().name    name属性表示变量名字

变量的初始化

tf.global_variables_initalizer()    添加一个初始化所有变量的OP，在会话中开启

代码：

# -*- coding: utf-8 -*-
import os
import tensorflow as tfos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 忽略警告# tensor  张量# 形状表示 0阶: ()，1阶: (N,)  2阶: (4, 3), 形状不固定：(None, N)
# 形状的参数指定  0阶: 数据   1阶: [N]# 形状的改变
# 静态形状set_shape()：1、当张量的形状固定的时候，不能修改本身的形状
#                     2、对于形状不固定的张量，可以修改其本身的形状，填充None
#                     3、不能跨阶数修改形状（不管本身形状固定不固定
# 动态形状tf.reshape()：不是去修改原本的形状，而是去创建一个大小一样，但是形状可以是不一样的张量,元素个数匹配a = tf.constant(2.0, shape=[4, 3])
b = tf.constant(2.0, shape=[4, 3])
# print(a, b)plt = tf.placeholder(tf.float32, [None, 3])
print(plt.shape)# 改变静态形状
plt.set_shape([3, 3])
print(plt.shape)
a_reshape = tf.reshape(a, [3, 4])with tf.Session() as s:print(s.run(plt, feed_dict={plt: [[1,2,3], [3,4,5]]}))# print(s.run([a, a_reshape]))# print(a.graph)# print("-" * 30)# print(a.op)# print("-" * 30)# print(a.name)# print("-" * 30)# print(a.shape)# 变量：有特殊用途（存储持久化，能否训练）
# 需要显示初始化:1、添加一个op，2、运行初始化
# 训练的参数，必须使用变量定义var = tf.Variable(tf.random_normal([3, 4], mean=0.0, stddev=1.0))con = tf.constant(10.0, tf.float32)print(var, con)init_op = tf.global_variables_initializer()with tf.Session() as s:# 运行初始化变量ops.run(init_op)print(s.run([var, con]))