自学教程：一小时学会TensorFlow2之基本操作1实例代码

概述

TensorFlow2 的基本操作和 Numpy 的操作很像. 今天带大家来看一看 TensorFlow 的基本数据操作.

创建数据

详细讲解一下 TensorFlow 创建数据的集中方法.

创建常量

tf.constant() 格式为:

tf.constant(value，dtype，shape，name)

参数:

• value: 常量值
• dtype: 数据类型
• shape: 表示生成常量数的维度
• name: 数据名称

例子:

# 创建常量1c1 = tf.constant(1)print(c1)# 创建常量, 类型为boolc2 = tf.constant([True, False])print(c2)# 创建常量1, 类型为float32, 大小为3*3c3 = tf.constant(0.1, shape=[2, 2])print(c3)# 创建常量, 类型为string字符串c4 = tf.constant("Hello World!")print(c4)

输出结果:

tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([ True False], shape=(2,), dtype=bool)
tf.Tensor(
[[0.1 0.1]
[0.1 0.1]], shape=(2, 2), dtype=float32)
tf.Tensor(b'Hello World!', shape=(), dtype=string)

创建数据序列

格式:

range(start, limit, delta=1, dtype=None, name='range')

参数:

• start: 开始位置
• limit: 序列的上限
• delta: 相当于 Numpy 的 step, 步长
• detype: 数据类型
• name: 数据名称, 默认为 “range”

例子:

# 创建数字序列r1 = tf.range(4)print(r1)

输出结果:

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

创建图变量

格式:

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

参数:

例子:

# 创建图变量v1 = tf.Variable(tf.range(6))print(v1)print(isinstance(v1, tf.Tensor))  # Falseprint(isinstance(v1, tf.Variable))  # Trueprint(tf.is_tensor(v1))  # True

输出结果:

False
True
True

tf.zeros

tf.zeros 可以帮助我们创建一个所有参数为 0 的 tensor 对象. 类似于 np.zeros.

格式:

tf.zeros(shape, dtype=tf.dtypes.float32, name=None)

参数:

• shape: 数组的形状
• dype: 数据类型, 默认为float32
• name: 数据名称

例子:

# 创建参数为0的tensorz1 = tf.zeros([1])print(z1)z2 = tf.zeros([3, 3])print(z2)

输出结果:

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

tf.ones

tf.ones 用法和 tf.zeros 一样, 可以帮助我们创建一个所有参数为 1 的 tensor 对象.

tf.ones(shape, dtype=tf.dtypes.float32, name=None)

参数:

• shape: 数组的形状
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# 创建参数为1的tensoro1 = tf.ones([1])print(o1)o2 = tf.ones([3, 3])print(o2)

输出结果:

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

tf.zeros_like

tf.zeros_like 可以帮我们创建一个与给定 tensor 类型大小一致的 tensor. 类似 np.zeros_like.

格式:

tf.zeros_like(tensor, dype=None, name=None)

参数:

• tensor: 传入的 tensor
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# tf.zeros_liket1 = tf.range(6)z1 = tf.zeros_like(t1)print(z1)

输出结果:

tf.Tensor([0 0 0 0 0 0], shape=(6,), dtype=int32)

tf.ones_like

格式:

tf.ones_like(tensor, dype=None, name=None)

参数:

• tensor: 传入的 tensor
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# tf.ones_liket1 = tf.range(6)o1 = tf.ones_like(t1)print(o1)

输出结果:

tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int32)

tf.fill

tf.fill 可以帮助我们创建一个指定形状和内容的 tensor.

格式:

tf.fill(shape, value, name=None)

参数:

• shape: 数组的形状
• value: 填充的值
• name: 数据名称

例子:

# tf.fillf1 = tf.fill([2, 2], 0)print(f1)f2 = tf.fill([3, 3], 6)print(f2)

输出结果:

[[0 0]
[0 0]], shape=(2, 2), dtype=int32)
tf.Tensor(
[[6 6 6]
[6 6 6]
[6 6 6]], shape=(3, 3), dtype=int32)

tf.gather

tf.gather: 根据索引从参数轴收集切片.

格式:

tf.gather(    params, indices, validate_indices=None, axis=None, batch_dims=0, name=None)

参数:

• params: 传入的张量
• indices: A Tensor. types 必须是: int32, int64. 里面的每一个元素大小必须在 [0, params.shape[axis]) 范围内
• axis: 维度, 默认为 0

例子:

input =[ [[[1, 1, 1], [2, 2, 2]],         [[3, 3, 3], [4, 4, 4]],         [[5, 5, 5], [6, 6, 6]]],          [[[7, 7, 7], [8, 8, 8]],         [[9, 9, 9], [10, 10, 10]],         [[11, 11, 11], [12, 12, 12]]],         [[[13, 13, 13], [14, 14, 14]],         [[15, 15, 15], [16, 16, 16]],         [[17, 17, 17], [18, 18, 18]]]         ]output=tf.gather(input, [0,2],axis=0)

输出结果:

tf.Tensor(
[[[[ 1 1 1]
[ 2 2 2]]

[[ 3 3 3]
[ 4 4 4]]

[[ 5 5 5]
[ 6 6 6]]]

[[[13 13 13]
[14 14 14]]

[[15 15 15]
[16 16 16]]

[[17 17 17]
[18 18 18]]]], shape=(2, 3, 2, 3), dtype=int32)

tf.random

正态分布

tf.random.normal 可以帮我们创建随机数服从正态分布.

格式:

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

参数:

• shape: 张量的形状
• mean: 正态分布的均值, 默认为 0.0
• stddev: 正态分布的标准差, 默认为 1.0
• dtype: 数据类型, 默认为 float32
• seed: 随机数种子
• name: 数据名称

例子:

# tf.normaln1 = tf.random.normal([2, 2], mean = 1, stddev=1, seed=0)print(n1)

输出结果:

tf.Tensor(
[[0.60084236 3.1044393 ]
[1.1710722 1.5465181 ]], shape=(2, 2), dtype=float32)

均匀分布

tf.random.uniform 可以帮我们创建随机数服从均匀分布.
格式:

tf.random.uniform(    shape, minval=0, maxval=None, dtype=tf.dtypes.float32, seed=None, name=None)

参数:

• shape: 张量的形状
• minval: 均匀分布的最小值, 默认为 0
• maxvak: 均匀分布的最大值
• dtype: 数据类型, 默认为 float32
• seed: 随机数种子
• name: 数据名称

例子:

# tf.uniformu1 = tf.random.uniform([2, 2], minval=0, maxval=1)print(u1)

输出结果:

tf.Tensor(
[[0.7382153 0.6622821 ]
[0.22840345 0.09706533]], shape=(2, 2), dtype=float32)

打乱顺序

tf.random.shuffle 可以帮助我们打乱张量的顺序.

格式:

tf.random.shuffle(    value, seed=None, name=None)

参数:

• value: 要被打乱的张量
• seed: 随机数种子
• name: 数据名称

例子:

# tf.shuffles1 = tf.random.shuffle(tf.range(10))print(s1)

输出结果:

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

获取数据信息

获取数据维度

tf.rank 的用法和 np.ndim 基本一样.

格式:

rank(input, name=None)  # 类似np.ndim

参数:

• input: 传入的张量
• name: 数据名称

例子:

# 获取张量维度t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])print(tf.rank(t))

输出结果:

tf.Tensor(3, shape=(), dtype=int32)

数据是否为张量

格式:

tf.is_tensor(input)

参数:

• input: 传入的张量

例子:

# 判断是否为张量a = tf.constant([1, 2, 3])b = tf.constant([True, False, False])c = tf.constant("Hello World")d = np.arange(6)print(a)print(tf.is_tensor(a))print(b)print(tf.is_tensor(b))print(c)print(tf.is_tensor(c))print(d)print(tf.is_tensor(d))

输出结果:

tf.Tensor([1 2 3], shape=(3,), dtype=int32)
True
tf.Tensor([ True False False], shape=(3,), dtype=bool)
True
tf.Tensor(b'Hello World', shape=(), dtype=string)
True
[0 1 2 3 4 5]
False

数据转换

转换成张量

格式:

tf.convert_to_tensor(value, dtype=None, dtype_hint=None, name=None)

参数:

• value: 需要转换的值
• dtype: 数据类型
• dtype_hint: 当 dtype 为 None 时的备选方案
• name: 数据名称

例子:

# 转换成张量array = np.arange(6)print(array.dtype)array_tf = tf.convert_to_tensor(array)print(array_tf)

输出结果:

int32
tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32)

转换数据类型

格式:

cast(x, dtype, name=None)

参数:

• x: 输入的值
• dtype: 数据类型
• name: 数据名称

例子:

# 装换数据类型array_tf = tf.constant(np.arange(6))print(array_tf)array_tf = tf.cast(array_tf, dtype=tf.float32)print(array_tf)tf_bool = tf.cast(tf.constant([False, True]), dtype=tf.int32)print(tf_bool)

输出结果:

tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32)
tf.Tensor([0. 1. 2. 3. 4. 5.], shape=(6,), dtype=float32)
tf.Tensor([0 1], shape=(2,), dtype=int32)

转换成 numpy

例子:

# tensor转换成numpyarray_tf = tf.ones([2,2])array_np = array_tf.numpy()print(array_np)

输出结果:

[[1. 1.]
[1. 1.]]

到此这篇关于一小时学会TensorFlow2之基本操作1的文章就介绍到这了,更多相关TensorFlow2基本操作内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！