Tensorflow2.0（1）_基本操作

1 创建

1.1 constant()方法

Int [1]: import tensorflow as tf

Int [2]: tf.constant(1)  # 创建一个整型张量

Out [2]: 

Int [3]: tf.constant(1.)  # 创建一个浮点型张量

Out [3]: 

Int [4]: tf.constant(2., dtype=tf.double)  # 创建的同时指定数据类型

Out [4]: 

Int [5]: tf.constant([[1.,2.,3.],[4.,5.,6.]])  # 通过传入一个list参数创建

Out [5]: 

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

1.2 convert_to_tensor()方法

Int[9]: import numpy as np

Int[10]: tf.convert_to_tensor(np.ones([2, 3]))

Out[10]: 
         
Int[11]: tf.convert_to_tensor(np.ones([2, 3]))

Out[11]: 
         
Int[12]: tf.convert_to_tensor([[2.,3.],[3., 4.]])

Out[12]: 

1.3 创建元素为指定值的tensor

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 [3]: a = tf.zeros([2, 3, 3])  # 创建一个元素全为0，形状为[2, 3, 3]的tensor

In [4]: a
Out[4]:


In [5]: b = tf.ones([2, 3])  #  创建一个元素全为1，形状为[2, 3]的tensor

In [6]: b
Out[6]:

（2）zeros_like()与ones_like

In [7]: tf.zeros_like(b)  # 仿照b的shape创建一个全为0的tensor
Out[7]:


In [8]: tf.ones_like(a)  # 仿照b的shape创建一个全为1的tensor
Out[8]:

（3）fill()

In [9]: tf.fill([2,3],5)  # 创建元素全为5，形状为[2,3]的tensor
Out[9]:

1.2 随机初始化

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 [10]: tf.random.normal([2, 3], mean=1, stddev=1)
Out[10]:

（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 [11]: tf.random.truncated_normal([2, 3], mean=1, stddev=1)
Out[11]:

（3）从指定均匀分布中随机取值：tf.random.uniform()。

In [12]: tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布
Out[12]:

2 索引

In [14]: import numpy as np

In [15]: import tensorflow as tf

In [16]: a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))

In [17]: a
Out[17]:

2.1 基础索引

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 [18]: a[0]  # 取第一个维度
Out[18]:


In [19]: a[0][1]  # 同时筛选两个维度
Out[19]:


In [20]: a[0][1][3][3]  # 同时对4个维度进行筛选
Out[20]: 

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。

2.2 numpy索引

TensorFlow也继承了numpy中的部分索引方式
（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 [21]: a[1]  # 筛选第一维度，这跟基础索引一样
Out[21]:


In [22]: a[1,1, 3]  # 同时帅选3个维度
Out[22]: 

（2）冒号切片与步长：[start?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 [23]: 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[23]:


In [24]: 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[24]:


In [25]: 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[25]:

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 [26]: a[1,:,0:2,4:0:-1]
Out[26]:


In [27]: a[1,:,0:2,4:0:-2]
Out[27]:

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 [28]: a[1,...,0:4] # 等同于a[1, : , : ,0:4]
Out[28]:


In [29]: a[0,0,...] # 等同于a[0,0,:,:]
Out[29]:

2.3 gather与gather_nd

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 [30]: b = np.arange(20).reshape(4,5)

In [31]: b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列
Out[31]: 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 [32]: tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行
Out[32]:


In [33]: tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列
Out[33]:

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 [34]: 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[34]: 

2.5 条件索引

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 [2]: a = tf.random.uniform([3,3],minval=-10,maxval=10,dtype=tf.int32)^M
   ...: a
2019-10-23 11:03:13.189763: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
Out[2]:


In [3]: mask = a < 0^M
   ...: mask
Out[3]:

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 [4]: tf.boolean_mask(a,mask)
Out[4]: 

可以结合where()方法取出符合条件元素的索引：

In [5]: m_index = tf.where(mask)^M
   ...: m_index
Out[5]:

再使用之前说过的gather_nd()方法取值：

In [6]: tf.gather_nd(a,m_index)
Out[6]: 

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 [7]: condition = tf.random.uniform([3,3],minval=0,maxval=2,dtype=tf.int32)^M
   ...: condition = tf.cast(condition, tf.bool)^M
   ...: condition
Out[7]:


In [8]: a = tf.range(1,10)^M
   ...: a = tf.reshape(a,[3,3])^M
   ...: a
Out[8]:


In [9]: b = tf.range(-9,0)^M
   ...: b = tf.reshape(b,[3,3])^M
   ...: b
Out[9]:


In [10]: tf.where(condition, a, b)
Out[10]:

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。