TensorFlow基本数据类型简介

TensorFlow基本数据类型简介

前言

事先说明一下：本文所用的是TensorFlow2.5.0版本。在TensorFlow2.0之后，TensorFlow的很多东西都做出了改变，与1.x版本已经有很多不同。整体来说，TensorFlow变得更加的简洁，已经去掉了包括Session()，占位符等。语法形式上，更加和Pytorch有所靠拢。因此有一些内行人认为，Tensorflow2.x与pytorch，只需花费主要经历在一个上面，另一个就可以很容易上手。

一.数据类型

整体而言，TensorFlow的数据类型，大体可以分成两大部分：基本数据类型，以及Tensor类型

1.1 基本数据类型

首先，在基本数据的支持上，TensorFlow支持下列基本数据类型：

整型有符号	int8：8位整数；int16：16位整数；int32：32位整数；int64：64位整数。
整型无符号	uint8：8位无符号整数；uint16：16位无符号整数；uint32：32位无符号整数；uint64：64位无符号整数
浮点型	float16：16位浮点数；float32：32位浮点数；float64：64位浮点数。 double：等同于float64。
字符串	string：字符串
布尔	bool：布尔型
复数类型	tf.complex64：64位复数。 tf.complex128：128位复数

1.2 容器类型

容器类型并不是TensorFlow独有的，就比如说numpy当中有array，python本身也有list等等。而在TensorFlow当中，则是：tf.Tensor。

在Numpy当中，其实已经在原本Python的基础上做了数据运算的优化。但是，Numpy却无法适应大数据和深度学习等运算。在现实当中，GPU由于具有多线程运算的特点，因此，整体速率上，要比CPU快很多。但是Numpy却恰恰没法和GPU进行联动。Numpy也没有自动求导的方法，涉及梯度下降等，就会很麻烦。在TensorFlow当中，就由此引入了Tensor类型，可以很好的与GPU进行联动，而且更加适用于大数据与深度学习。

下面，我们就来介绍一下这个张量类型

1.3 Tensor类型（张量）

Tensor整体来说有如下类型：

• scalar：代表标量
• vector：代表向量
• matrix：矩阵

在TensorFlow当中，很多时候，把维度大于2的数据，也泛泛的称为Tensor

二.基本操作

2.1 创建Tensor

比如说，我们可以创建Constant：虽然这个单词翻译为常量，但是和其他高级语言当中const int a = 10还是不同的。因为其他高级语言当中的const一旦指定，便无法修改。但是TensorFlow当中是允许的。比如说，你写一个

a = tf.constant(1)
a = tf.constant(2.)

放心，不会报错的。

import tensorflow as tf
In [2]: tf.constant(1) # 创建一个int型常量

Out[2]: <tf.Tensor: shape=(), dtype=int32, numpy=1>
In [4]: tf.constant(1.) # 创建浮点型常量
Out[4]: <tf.Tensor: shape=(), dtype=float32, numpy=1.0>

In [5]: tf.constant(2.,dtype=tf.double) # 可以指定数据类型
Out[5]: <tf.Tensor: shape=(), dtype=float64, numpy=2.0>

In [6]: tf.constant([True,False]) # 创建bool类型常量
Out[6]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([ True, False])>

In [7]: tf.constant('hello world') #创建字符型常量
Out[7]: <tf.Tensor: shape=(), dtype=string, numpy=b'hello world'>

2.2 Tensor属性

In [9]: with tf.device("cpu"):
   ...:     a = tf.constant([1])
   ...:

In [10]: with tf.device("gpu"):
    ...:     b = tf.range(4)
    ...:

In [11]: a.device
Out[11]: '/job:localhost/replica:0/task:0/device:CPU:0'

In [12]: b.device
Out[12]: '/job:localhost/replica:0/task:0/device:GPU:0'

In [13]: aa = a.gpu() # 切换为gpu运行，这个方法极有可能在之后的TensorFlow版本当中删除

In [15]: aa.device
Out[15]: '/job:localhost/replica:0/task:0/device:GPU:0'

In [16]: bb = b.cpu() # 切换为cpu运行，这个方法极有可能在之后的版本当中删除
In [17]: bb.device
Out[17]: '/job:localhost/replica:0/task:0/device:CPU:0'

In [18]: b.numpy() # 由Tensor转换为Numpy
Out[18]: array([0, 1, 2, 3])

In [19]: b.ndim # 查看数据维度
Out[19]: 1

In [20]: tf.rank(b) # 查看数据信息
Out[20]: <tf.Tensor: shape=(), dtype=int32, numpy=1>

In [21]: tf.rank(tf.ones([3,4,2]))
Out[21]: <tf.Tensor: shape=(), dtype=int32, numpy=3>

2.2 Tensor属性判别

In [23]: a = tf.constant([1.]) # 创建浮点类型常量

In [24]: b = tf.constant([True,False]) # 创建bool类型常量

In [25]: c = tf.constant("hello world!")# 创建字符串类型常量

In [27]: import numpy as np

In [28]: d = np.arange(4)# 创建numpy类型

In [29]: isinstance(a,tf.Tensor) # 判断a是否是Tensor类型
Out[29]: True

In [30]: tf.is_tensor(b) # is_tensor更推荐使用
Out[30]: True

In [31]: tf.is_tensor(d)
Out[31]: False

In [32]: a.dtype,b.dtype,c.dtype # 查看数据类型
Out[32]: (tf.float32, tf.bool, tf.string)

In [33]: a.dtype==tf.float32
Out[33]: True

In [34]: c.dtype==tf.string
Out[34]: True

2.3 数据类型转换

In [35]: a = np.arange(5)

In [36]: a.dtype
Out[36]: dtype('int32')

In [37]: aa = tf.convert_to_tensor(a)

In [38]: aa
Out[38]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>

In [39]: a
Out[39]: array([0, 1, 2, 3, 4])

In [40]: aa = tf.convert_to_tensor(a,dtype=tf.int64)

In [41]: aa
Out[41]: <tf.Tensor: shape=(5,), dtype=int64, numpy=array([0, 1, 2, 3, 4], dtype=int64)>

In [42]: tf.cast(aa,dtype=tf.float32)
Out[42]: <tf.Tensor: shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.], dtype=float32)>

In [43]: aaa = tf.cast(aa,dtype=tf.double)

In [44]: aaa
Out[44]: <tf.Tensor: shape=(5,), dtype=float64, numpy=array([0., 1., 2., 3., 4.])>

In [45]: tf.cast(aaa,dtype=tf.int32)
Out[45]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>

# bool与int的相互转换
In [46]: b = tf.constant([0,1])

In [47]: tf.cast(b,dtype=tf.bool)
Out[47]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([False,  True])>

In [48]: bb = tf.cast(b,dtype=tf.bool)

In [49]: bb
Out[49]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([False,  True])>

In [50]: tf.cast(bb,tf.int32)
Out[50]: <tf.Tensor: shape=(2,), dtype=int32, numpy=array([0, 1])>

2.4 Variable类型

TensorFlow当中绝大多数的变量操作都是通过Variable来进行初始化和实现的。同时，TensorFlow当中的求导运算等，也都是直接对标Variable类型，因此这个类型在TensorFlow当中非常的重要。Variable方法如下：

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

这些参数的含义如下：

In [51]: a = tf.range(5)

In [52]: b = tf.Variable(a)

In [53]: b.dtype
Out[53]: tf.int32

In [54]: b.name
Out[54]: 'Variable:0'

In [55]: b = tf.Variable(a,name='input_data')

In [56]: b.name
Out[56]: 'input_data:0'

In [57]: tf.is_tensor(b)
Out[57]: True

In [58]: b.numpy()
Out[58]: array([0, 1, 2, 3, 4])
    
In [59]: b.trainable
Out[59]: True