tf.base(constant & Variable)

tf2除了tf.keras这个高级api的引入之外，其他的一些基础函数也发生了一些变化，就连最为基本的constant也发生了一些变化，比如在1.x里面constant建立的数组是不支持列数不一样的数组组合的，但是在2.0的版本里面，引入了RaggedTensor这个数据类型，也就实现了不规则数据的组合

import tensorflow as tf
from tensorflow import keras

t = tf.ragged.constant([[1.,2.,3.],[4.,5.]])
print(t)

可以看到这里的数据类型是RaggedTensor，我们也可以通过t.to_tensor()这个函数来完成数据类型从RaggedTensor转变为Tensor型，RaggedTensor类型除了可以进行简单的加减乘除以外，还可以通过tf.concat()函数来进行数组之间的拼接

t1 = tf.ragged.constant([[5.,6.],[7.,8.]])
print(tf.concat((t,t1),axis = 0))

因为RaggedTensor类型在转变成tensor类型的时候，位数不够的自动补0，而且0都一定在原来存在的非零数的后面，这就意味着RaggedTensor类型不适合保存数据，必须要用sparse tensor类型来保持数据

s = tf.SparseTensor(indices = [[0,1],[0,2],[1,2]],
                    values = [1,2,3],
                    dense_shape = [3,4])
print(s)
#把SparseTensor类型的数据转化为tensor类型的数据
print(tf.sparse.to_dense(s))

这里要注意一下，在tf.SparseTensor里面第一个indices参数，必须要按照顺序来放，如果不按照顺序来放，它就会报一份is out of order [Op:SparseToDense]比如

s = tf.SparseTensor(indices = [[0,2],[0,1],[1,2]],
                    values = [1,2,3],
                    dense_shape = [3,4])
print(s)
print(tf.sparse.to_dense(s))

这里的顺序就是乱掉的，可以看见，系统给我们报错了。但这种情况也比较的好处理，只需要在我们定义完的数据后面加上tf.sparse.reorder()这个函数就可以了。

s = tf.SparseTensor(indices = [[0,2],[0,1],[1,2]],
                    values = [1,2,3],
                    dense_shape = [3,4])
s1 = tf.sparse.reorder(s)
print(s1)
print(tf.sparse.to_dense(s1))

在tensorflow里面除了常量，肯定也就还有变量，变量最主要的特点就是它可以被重新的赋值，但在tensorflow里面变量不能简单的用赋值号来赋值，我们只能用assign()函数

v = tf.Variable([[1.,2.,3.],[4.,5.,6.]])
print(v)
#把Variable类型转化为tensor类型
print(v.value())
#只输出Variable类型里面的值
print(v.numpy())
#改变v里面一个数据的值
v[0,1].assign(30)
print(v.numpy())
v[1].assign(30.,31.,32.)
print(v.numpy())