《动手学习深度学习》- Tensorflow数据操作

import tensorflow as tf
tf.__version__

'2.3.0'

1. 创建 tensor

• tensor 是存储和变换数据的主要工具, tensor 和 Numpy 的多维数组比较类似, 但是 tensor 可以提供 GPU 计算和自动求梯度等功能

# 创建行向量

x = tf.constant(range(12))
x

print(x.shape)
print(len(x)) # 获取向量中元素的个数

(12,)
12

# 使用reshape函数把行向量x的形状改为(3, 4)
x = tf.reshape(x,(3,4))
x

• 注意X属性中的形状发生了变化。上面x.reshape((3, 4))也可写成x.reshape((-1, 4))或x.reshape((3, -1))。由于x的元素个数是已知的，这里的-1是能够通过元素个数和其他维度的大小推断出来的。

2. 创建指定形状的张量

tf.zeros((2,3,4))

tf.ones((3,4))

• 通过 Python 列表指定 tensor 中每个元素的值

y = tf.constant([[1,2,3,4],[4,5,6,7],[7,8,9,10]])
y

• 随机生成tensor中每个元素的值。下面我们创建一个形状为(3, 4)的tensor。它的每个元素都随机采样于均值为0、标准差为1的正态分布。

• tf.random.normal(shape=(3,4), mean=0, stddev=1)

  1. mean 均值
  2. 正态分布的标准差

tf.random.normal(shape=(3,4), mean=0, stddev=1)

3. Tensor 运算

print("x => ", x.shape)
print("y => ", x.shape)

print(x)
print(y)

x =>  (3, 4)
y =>  (3, 4)
tf.Tensor(
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]], shape=(3, 4), dtype=int32)
tf.Tensor(
[[ 1  2  3  4]
 [ 4  5  6  7]
 [ 7  8  9 10]], shape=(3, 4), dtype=int32)

3.1 按元素加法：

• 按对应元素相加
• x,y 都是 (3,4),做按元素加法, 结果形状不变

res01 = x + y 
res01

3.2 按元素乘法：

• 对应元素相乘, 注意不是矩阵的点乘

res02 = x * y
res02

3.3 按元素除法：

res03 = x / y
res03

3.4 按元素做指数运算：

• 类型转换 tf.cast(y, tf.float32)
• 指数运算 tf.exp(Y)
  1. 类型为bfloat16，half，float32，float64，complex64或complex128的张量。
  2. exp(y) = e^y

y = tf.cast(y, tf.float32) # 将y的类型转换为 float32
tf.exp(y) # 指数运算

3.5 矩阵乘法

• 矩阵乘法要求两边行列对应: (3,4) <==> (4,3)
• 两边数据类型对应 int32 <==> int32
• tf.matmul(x,y)
  1. 矩阵乘法
• tf.transpose(y)
  1. 作用 : 转置
  2. (3,4) => (4,3)

y = tf.cast(y,tf.int32)
tf.matmul(x, tf.transpose(y))

3.6 矩阵拼接

• tf.concat([x,y],axis = 0)
  1. axis 表示维度 : 0 表示行, 1 表示列
• 分别在行上（维度0，即形状中的最左边元素）和列上（维度1，即形状中左起第二个元素）连结两个矩阵
• 在行上拼接两个矩阵,相当于将矩阵上下叠加 => shape = (6,4)
• 在列上拼接两个矩阵,相当于将矩阵左右叠加 => shape = (3,8)

print(x)
print(y)

tf.Tensor(
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]], shape=(3, 4), dtype=int32)
tf.Tensor(
[[ 1  2  3  4]
 [ 4  5  6  7]
 [ 7  8  9 10]], shape=(3, 4), dtype=int32)

tf.concat([x,y],axis = 0)

tf.concat([x,y],axis = 1)

3.7 矩阵比较

• 对应位置的元素进行比较

tf.equal(x,y)

3.8 元素求和

• tf.reduce_sum(x) 对x中所有元素求和
• tf.norm(x) 计算x向量的范数

tf.reduce_sum(x) # numpy=66 结果

x = tf.cast(x, tf.float32)
tf.norm(x)

4. 广播机制

• 当对两个形状不同的tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个tensor形状相同后再按元素运算
• A: (3,1) B: (1,2)
• 由于A和B分别是3行1列和1行2列的矩阵，如果要计算A + B，那么A中第一列的3个元素被广播（复制）到了第二列，而B中第一行的2个元素被广播（复制）到了第二行和第三行。如此，就可以对2个3行2列的矩阵按元素相加。

A = tf.reshape(tf.constant(range(3)), (3,1))
B = tf.reshape(tf.constant(range(2)), (1,2))

A,B

(,
 )

# 触发广播机制, A 中元素把第一列复制到第二列 => (3,2)
# B 中元素把第一行复制到第二行和第三行 => (3,2)
A + B 

5. 索引

• 在tensor中，索引（index）代表了元素的位置。tensor的索引从0开始逐一递增。例如，一个3行2列的矩阵的行索引分别为0、1和2，列索引分别为0和1。

5.1 获取指定范围的索引

• x[0:3] # 取索引为 0, 1, 2的三行

x[0:3] # 取索引为 0, 1, 2的三行

5.2 为指定元素赋值

• tf.Variable 在修改Tensor值时, 必须转换成 Variable
  1. 变量通过 tf.Variable 类进行创建和跟踪。tf.Variable 表示张量，对它执行运算可以改变其值
  2. X[1,2].assign(9) : 为索引为 1,2 的元素赋值

x = tf.Variable(x)
x

x[1,2].assign(9)

5.3 为指定列赋值

x = tf.Variable(x)
x[1:2,:].assign(tf.ones(x[1:2,:].shape, dtype=tf.float32) * 3)

6. tensor 和 numpy 的相互转换

• 通过array函数和asnumpy函数令数据在NDArray和NumPy格式之间相互变换。下面将NumPy实例变换成tensor实例
• numpy => tensor : tf.constant§
• tensor => numpy : np.array(T)

import numpy as np

P = np.ones((3,4))
T = tf.constant(P)
T

np.array(T)

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])