Tensorflow中的数据类型和常用函数

张量（Tensor）：多维数组（列表） 阶：张量的维数

张量可以表示0阶到n阶数组（列表）。

数据类型

tf.int 32，tf.float 32，tf.float 64

布尔类型：tf.constant([True,False])

字符串类型：tf.constant("hallo world!")

如何创建一个张量（Tensor）

tf.constant(张量内容,dtype=数据类型(可选))

        import tensorflow as tf
# 创建一阶张量
a = tf.constant([1,5],dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)

tf.Tensor([1 5], shape=(2,), dtype=int64)  # shape中‘,‘隔开了一个数字，表明是一维的，2表示有两个数值。
<dtype: ‘int64‘>
(2,)

    

将numpy的数据类型转换为tensor数据类型

tf.convert_to_tensor(数据名,dtype=数据类型（可选）)

        import tensorflow as tf
import numpy as np
# 创建一阶张量
a = np.arange(0,5)
b = tf.convert_to_tensor(a,dtype=tf.int64)
print(a)
print(b)

[0 1 2 3 4]
tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)

    

创建全为0的张量 tf.zeros(维度)

创建全为1的张量 tf.ones(维度)

创建全为指定值的张量 tf.fill(维度,指定值)

维度：一维 直接写个数；二维 用[行,列]；多维 用[n,m,j,k......]

        a = tf.zeros([2,3])
b = tf.ones(4)
c = tf.fill([2,2],9)
print(a)
print(b)
print(c)

tf.Tensor([[0. 0. 0.][0. 0. 0.]], shape=(2, 3), dtype=float32)
tf.Tensor([1. 1. 1. 1.], shape=(4,), dtype=float32)
tf.Tensor([[9 9][9 9]], shape=(2, 2), dtype=int32)

    

生成正态分布的随机数，默认均值为0，标准差为1

tf.random.normal(维度,mean=均值,stddev=标准差)

        tf.random.normal([2,2],mean = 0.5,stddev=1)

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[ 2.2596548 ,  1.8583959 ],
       [-0.80588806, -1.4749051 ]], dtype=float32)>

    

生成截断式正态分布随机数：tf.random.truncated_normal(维度,mean=均值,stddev=标准差)

        tf.random.truncated_normal([2,2],mean=0.5,stddev=1)

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[-1.2615949,  0.564474 ],
       [-1.1084144,  1.1451273]], dtype=float32)>

    

注意：tf.truncated_normal中如果随机生成数据的取值在\((\mu -2\sigma,\mu+2\sigma)\)之内则重新生成，保证了生成值在均值附近。

生成均匀分布随机数：tf.random.uniform(维度,minval=最小值,maxval=最大值)

        tf.random.uniform([2,2],minval=-1,maxval=1)

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[-0.01930571,  0.16274714],
       [-0.1265943 ,  0.96586275]], dtype=float32)>

    

注：最小最大为前闭后开

张量（Tensor）上的常用函数

强制tensor转换为该数据类型：tf.cast(张量名,dtype=数据类型)

计算张量维度上元素的最小值：tf.reduce_min(张量名)

计算张量维度上元素的最大值： tf.reduce_max(张量名)

理解axis，axis = 0表示跨行（也就是我们数学上矩阵中按某一列计算），axis = 1表示跨列（某一行），如果不指定axis，则所有元素参与计算。

计算张量沿着指定维度的平均值：tf.reduce_mean(张量名,axis=操作轴)

计算张量沿着指定维度的和：tf.reduce_sum(张量名，axis=操作轴)

        x = tf.constant([[1,2,3],[4,5,6]])
print(tf.reduce_sum(x,axis=1))# 每一行的相加

tf.Tensor([ 6 15], shape=(2,), dtype=int32)

    

原文：https://www.cnblogs.com/DslBlogs/p/12976693.html