02-深度学习基础知识

在TensorFlow中，tensor是一个类，也是存储和变换数据的主要工具。 如果你之前用过NumPy，你会发现tensor和NumPy的多维数组非常类似。 然而，tensor提供GPU计算和自动求梯度等更多功能，这些使tensor更加适合深度学习。

1 TensorFlow基本功能

首先用arange创建一个行向量

创建一个行向量.png

关于constan函数在TensorFlow中表示张量。

constan函数.png

张量：
多维数组可以被称之为张量，和numpy中的数组一样，张量也有类型和形状。在tensorflow 的python API中，可以用numpy中的ndarrays来表示。 通常用来保存浮点数据，也可以用来存储字符串（任意字节的数组）。
第一个值value是必须的，可以是一个数值，也可以是一个列表。

后面四个参数可写可不写，第二个参数表示数据类型，一般可以是tf.float32, tf.float64等：

第三个参数表示张量的“形状”，即维数以及每一维的大小。如果指定了第三个参数，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：

第四个参数name可以是任何内容，主要是字符串就行。

第五个参数verify_shape默认为False，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。

具体可以看这个TensorFlow创建常量(tf.constant)详解

#
x
#TensorShape([12])
x.shape #shape属性来获取tensor实例的形状
#12
len(x)  #我们也能够通过len得到tensor实例中元素（element）的总数。

reshape.png

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。
我们创建一个各元素为0，形状为(2, 3, 4)的张量。实际上，之前创建的向量和矩阵都是特殊的张量。

创建各元素为1的张量

各元素为1的张量.png

我们也可以通过Python的列表（list）指定需要创建的tensor中每个元素的值。有些情况下，我们需要随机生成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。

image.png

2 广播机制

两个形状相同的tensor做按元素运算。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。

广播机制.png

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。

image.png

3 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。

我们指定了tensor的行索引截取范围[1:3]。依据左闭右开指定范围的惯例，它截取了矩阵X中行索引为1和2的两行。

tf.assign()的作用类似于python操作符中的=理解为tensorflow中为操作符进行赋值操作。

索引.png

4 tensor 和 NumPy 相互变换

我们可以通过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。

ensor 和 NumPy 相互变换.png