【深度学习_TensorFlow框架】张量基础操作

---

写在前面

本篇文章主要讲解TensorFlow的一些基础概念以及基础操作，作为初学者，文章内容难免有错误，各位看官发现错误，还请不吝指正！！！

1. 基础数据类型以及了解张量的含义

2. 张量的创建

3. 张量的基础操作

---

写在中间

一、 基础数据类型

大家在学习过程之中会经常遇到Tensor这个名词，究竟是什么意思呢？不急，看完这两篇文章之后，你就会有有较为清晰的了解。

https://zhuanlan.zhihu.com/p/48982978

https://zhuanlan.zhihu.com/p/140260245

简单概括：0维的张量就是标量，1维的张量就是向量，2维的张量就是矩阵，大于等于3维的张量没有名称，统一叫做张量。

---

Python五大常用数据类型： 整型（ int ）、浮点型（ float ）、双精度浮点型（ double ）、布尔型（ bool ）、字符串型（ string ）

列表（ list ）： Python内置数据类型，形式可以是 [ 1, 2.3, “Hello”, True]，成员的类型可以不同

数组 （ array ）： Python内置数据类型中是没有此数据类型的，但是Numpy库中提供了此数据类型。不同于列表和元组，数据成员必须是相同数据类型属性，但对GPU计算没有支持，无自动求导等功能。

张量（ tensor）

标量（ scalar ）：1、2、3.4（零维）

向量（ vector ）：[1.2]、[1.1,2.2,3.3] （一维）

矩阵（ matrix ）：[ [1.1, 2.2],[3.3, 4.4] ] （二维）

---

二、 张量创建（Tensor）

（ 1.1 ）法一：constant创建

tensorflow.constant(value, shape=维度, dtype=数据类型, verify_shape=False)

• value ：数字、字符串、布尔值、列表

• shape ：形状，指维数以及每一维的大小。当第一个参数value是数字时，张量的所有元素都会用该数字填充，shape=[2, 3]。当第一个参数value是一个列表时，注意列表的长度必须小于等于参数shape的大小（即各维大小的乘积）

• dtype ：指定数据类型，如dtype=tf.float64

• verify_shape ：如果修改为True的话，表示检查value的形状与shape是否相符，如果不符会报错。

（ 1.2 ）实践操作

import tensorflow as tf

# 定义一个3行3列的张量，每个元素都为1
tensor = tf.constant(1, shape=[3, 3])
print(tensor)

# 定义一个单值张量，值为1.0，默认dtype为float32
tensor = tf.constant(1.)
print(tensor)

# 定义一个值为2.0，dtype为float64的张量
tensor = tf.constant(2., dtype=tf.double)
print(tensor)

# 定义一个包含两个元素的布尔型张量
tensor = tf.constant([True, False])
print(tensor)

# 定义一个字符串类型的张量
tensor = tf.constant("Hello,World!")
print(tensor)

（ 1.3 ）运行结果

tf.Tensor(
[[1 1 1]
 [1 1 1]
 [1 1 1]], shape=(3, 3), dtype=int32)
tf.Tensor(1.0, shape=(), dtype=float32)
tf.Tensor(2.0, shape=(), dtype=float64)
tf.Tensor([ True False], shape=(2,), dtype=bool)
tf.Tensor(b'Hello,World!', shape=(), dtype=string)

---

（ 2.1 ）法二：tf.zeros()和tf.ones()创建

tf.zeros(shape, dtype=tf.float32, name=None)：创建全0张量，参数和tf.constant()相似，其中dtype默认为tf.float32，name为可选参数。

tf.ones(shape, dtype=tf.float32, name=None)：创建全1张量，参数和tf.constant()相似，其中dtype默认为tf.float32，name为可选参数。

（ 2.2 ）实践操作

import tensorflow as tf
# 创建一个3行3列的全0张量，默认dtype为float32
tensor = tf.zeros([3, 3])
print(tensor)

# 创建一个2行2列的全1张量，dtype设置为int32
tensor = tf.ones([2, 2], dtype=tf.int32)
print(tensor)

（ 2.3 ）运行结果

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

---

（ 3.1 ）法三：tf.Variable()创建

tf.Variable()函数可以创建一个可修改的张量，即变量。变量在模型训练过程中会动态变化，需要进行优化操作。

tf.Variable(initial_value=None, trainable=True, dtype=None, name=None, constraint=None)

• initial_value：张量的初始值，可以是任何类型，不同于tf.constant()函数，变量在初始化后是可修改的。
• trainable：表示变量是否可被训练，即是否可被梯度下降等优化算法调整。
• dtype：变量的数据类型，默认为None。
• name：变量的名称，是可选的。
• constraint：变量的约束条件，是可选的。

（ 3.2 ）实践操作

import tensorflow as tf
# 定义一个可修改的张量
tensor = tf.Variable([1, 2, 3])
print(tensor)
# 初始化后可以修改张量的值
tensor.assign([4, 5, 6])
print(tensor)
# 也可以通过assign_add()和assign_sub()方法修改张量的值
tensor.assign_add([1, 1, 1])
print(tensor)
tensor.assign_sub([1, 1, 1])
print(tensor)

（ 3.3 ）运行结果

---

（ 4.1 ）法四：随机创建

tf.random.uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)：创建一个随机的均匀分布的张量，参数如下：

• shape：张量的形状，可以是一个一维的列表，如[2, 3]。

• minval：均匀分布的最小值，默认为0。

• maxval：均匀分布的最大值，默认为1。

• dtype：张量的数据类型，默认为tf.float32。

• seed：生成随机数的种子。

• name：张量的名称，是可选的。

tf.random.normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

• shape：张量的形状，可以是一个一维的列表，如[2, 3]。

• mean：正态分布的均值，默认为0。

• stddev：正态分布的标准差，默认为1。

• dtype：张量的数据类型，默认为tf.float32。

• seed：生成随机数的种子。

• name：张量的名称，是可选的。

（ 4.2 ）实践操作

import tensorflow as tf
# 创建一个随机的均匀分布的张量
tensor_uniform = tf.random.uniform(shape=[2, 3], minval=0, maxval=10)
# 创建一个随机的正态分布的张量
tensor_normal = tf.random.normal(shape=[2, 3], mean=0, stddev=1)
print(tensor_uniform)
print(tensor_normal)

（ 4.3 ）运行结果：

tf.Tensor(
[[8.5141573  5.6180024  9.240239  ]
 [9.835485   1.1550446  3.1731434 ]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[ 1.3331307   0.61228025  1.1319485 ]
 [ 1.2318208   0.5006925  -0.9704096 ]], shape=(2, 3), dtype=float32)

可以看到，随机创建的张量形状由参数shape指定，而张量的值则是在均匀分布或正态分布中随机抽样得到的。

---

三、 张量基础操作

（ 1 ）简单介绍

张量名.ndim ：查看维度，返回int类型

tf.rank(张量名) ：查看维度，返回tensor类型

张量名.shape ：查看tensor的形状

tf.is_tensor(变量) ：判断变量是否是tensor类型，返回布尔类型

isinstance(变量, 数据类型) ：判断变量是否属于该数据类型，返回布尔类型

变量.dtype ：查看变量数据类型，返回数据类型

（ 2 ）实践操作

import tensorflow as tf  # 导入 tensorflow 模块

tensor = tf.range(4)  # 定义一个包含 0~3 共 4 个元素的一维张量（tensor）

print(tensor)  # 打印张量的值

print(tensor.ndim)  # 打印张量的维度数量（这个张量是一维的，因此打印的结果为 1）

print(tf.rank(tensor))  # 打印张量的秩（这个张量是一维的，秩为 1）

print(tensor.shape)  # 打印张量的形状（这个张量是一维的，形状为 (4,)

print(tf.is_tensor(tensor))  # 判断张量是否为 tensorflow 张量类型（返回 True）

print(isinstance(tensor, tf.Tensor))  # 判断张量是否为 tensorflow 张量类型（返回 True）

print(tensor.dtype)  # 打印张量的数据类型（这个张量的数据类型为默认的 int32）

运行结果：

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

---

写在最后

点赞，你的认可是我创作的动力！
⭐收藏，你的青睐是我努力的方向！
✏️评论，你的意见是我进步的财富！