tensorflow学习笔记：张量介绍以及张量操作函数

张量（tensor）

tensorflow程序使用tensor数据结构来代表所有的数据，计算图中，操作间传递的数据都是tensor。
tensor堪为一个n维的数组或列表，每个tensor中包含类型（type）、阶（rank）和形状（shape）。

tensor类型

tensor类型	python类型	描述
DF_FLOAT	tf.float32	32位浮点数
DF_DOUBLE	tf.float64	61为浮点数
DF_INT64	tf.int64	64位有符号整数
DF_INT32	tf.int32	32位有符号整数
DF_INT16	tf.int16	16位有符号整数
DF_INT8	tf.int8	8位有符号整数
DF_UINT8	tf.uint8	8位无符号整数
DT_STRING	tf.string	可变长度的字节数组，每一个张量元素都是一个字节数组
DT_BOOL	tf.bool	布尔型
DT_COMPLEX64	tf.complex64	有两个32位浮点数组成的复数：实数和虚数。

阶（rank）

tensor的阶表示维度，例如：[[1,2,3],[4,5,6],[7,8,9]]表示二阶张量。
注意：这个阶与矩阵的阶不一样，上面的例子为3阶矩阵，但是他是一个2阶的张量。

形状（shape）

用于秒速张量内部的组织关系。a=[[1,2,3],[4,5,6]]的形状为（2，3）。

对张量的操作函数

对张量的操作主要分为：

• 类型变换
• 数值操作
• 形状变换
• 数据操作

下面记录一些常用的对张量进行操作的函数。

类型转换

函数	描述
tf.string_to_number(string_tensor,out_type=None,name=NOne)	字符串转为数字
tf.to_double(x,name=“ToDouble”)	转为64位浮点类型
tf.to_float(x,name=“ToFloat”)	转为32位浮点类型
tf.to_int32(x,name=“ToInt32”)	转为32位整型
tf.to_int64(x,name=“ToInt64”)	转为64位整型
tf.cast(x,dtype,name=None)	将x的类型转成dtype指定的类型

数值操作

函数	描述
tf.ones(shape,dype)	按指定类型与形状生成值为1的张量
tf.zeros(shape,dype)	按指定类型与形状生成值为0的张量
tf.ones_like(input)	生成和输入张量一样形状和类型的1
tf.zeros_like(input)	生成和输入张量一样形状和类型的0
tf.fill(shape,value)	为指定形状填值
tf.constant(value,shape)	生成常量
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)	正态分布随机数，均值为mean，标准差为stddev。
tf.truncated_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)	截断正态分布随机数，均值为mean，方差为stddev，只保留[mean-2stddev,mean+2stddev]
tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)	均匀分布随机数，范围为[minval,maxval]
tf.random_crop(value,size,seed=None,name=None)	将输入值value按照size尺寸随机剪辑
tf.set_random_seed(seed)	设置随机种子
tf.linspace(start,stop,num,name=None)	在[start,stop]范围内产生num个数的等差数列
tf.range(start,limit=None,delta=1,name=“range”)	在[start,limit]内以步长delta产生等差数列

形状变换

函数	描述
tf.shape(input,name=None)	返回一个张量，棋值为输入参数的shape。
tf.size(input,name=None)	返回一个张量，其内容为输入数据的元素数量
tf.rank(input,name=None)
tf.reshpe(input,shape,name=None)	将原有输入数据的shape按照指定形状进行变化，生成一个新的张量
tf.expand_dims(input,dim,name=None)	插入维度1进入一个tensor
tf.squeeze(input,dim,name=None)	将dim指定的维度去掉1，dim必须为1，不为1会报错

数据操作

函数	描述
tf.slice(input,begin,size,name+None)	对输入数据input进行切片操作，begin与size可以为list类型，要求begin与size的值必须一一对应，并且begin中每个值都是大于等于0且小于size中对应的值
tf.split(value,num_or_size_splits,axis=0,num=NOne,name=“split”)	沿着某一维度将tensor分离为num_or_size_splits
tf.concat(cconcat,dim,values,name-“comcat”)	沿着某一维度连接tensor
tf.stack(input,axis=0)	将两个N维张量列表沿着axis轴组合成一个N+z维的张量
tf.unstack(value,num=NOne,axis=0,name=“unstack”)	将输入value按照指定的行或列进行拆分，并输出含有num个元素的列表，axis为0表示按行拆分，axis=1表示按列拆分
tf.gather(params,indices,validate_indices=None,name=None)	合并索引indices所指示params中的切片
tf.one_hot(indices,depth,on_value=NOne,off_calue=None,axis=None,dtype=None,name=None)	生成独热编码的张量
tf.count_nonzero(input_tensor,axis=None,keep_dims=False,dtype=dtype.int64,name=None,reduction_indices=None)	统计非零个数

为了更好地学习，加深对张量操作印象以及方便查询，特地将一些常用的函数加入到个人笔记中来。如果发现那里存在错误，欢迎大家在评论区进行评论、留言。
参考：李金洪老师的《深度学习之TensorFlow入门、原理与进阶实战》。