自学教程：一小时学会TensorFlow2之基本操作2实例代码

索引操作

简单索引

索引 (index) 可以帮助我们快速的找到张量中的特定信息.

例子:

a = tf.reshape(tf.range(12), [2, 2, 3])print(a)print(a[0])print(a[0][0])

输出结果:

tf.Tensor(
[[[ 0 1 2]
[ 3 4 5]]

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

Numpy 式索引

我们也可以按照 numpy 的写法来操作索引.

例子:

a = tf.reshape(tf.range(12), [2, 2, 3])print(a)print(a[0])print(a[0, 0])

输出结果:

tf.Tensor(
[[[ 0 1 2]
[ 3 4 5]]

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

使用 : 进行索引

例子:

c = tf.ones([4, 14, 14, 4])print(c[0, :, :, :].shape)print(c[0, 1, :, :].shape)

输出结果:

(14, 14, 4)
(14, 4)

tf.gather

我们假设一个有 3 个餐馆, 每个餐馆有 8 种菜系, 128 道菜data: [resturants, cuisines, dishes].

例子:

data = tf.zeros([3, 8, 128])g1 = tf.gather(data, axis=0, indices=[0, 2])print(g1.shape)g2 = tf.gather(data, axis=1, indices=[0, 1, 2, 3])print(g2.shape)

输出结果:

(2, 8, 128)
(3, 4, 128)

tf.gather_nd

例子:

g1 = tf.gather_nd(data, [0])print(g1.shape)g2 = tf.gather_nd(data, [0, 1])print(g2.shape)g3 = tf.gather_nd(data, [0, 1, 2])print(g3.shape)

输出结果:

(8, 128)
(128,)
()

tf.boolean_mask

格式:

tf.boolean_mask(    tensor, mask, axis=None, name='boolean_mask')

例子:

data = tf.zeros([3, 8, 128])b1 = tf.boolean_mask(data, mask=[True, True, False])print(b1.shape)b2 = tf.boolean_mask(data, mask=[True, False, True, False, True, False, True, False], axis=1)print(b2.shape)

输出结果:

(2, 8, 128)
(3, 4, 128)

切片操作

借助切片技术, 我们可以灵活的处理张量对象.

简单切片

格式:

tensor[start : end]

其中 start 为开始索引, end 为结束索引 (不包括)

例子:

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

step 切片

格式:

tensor[start : end: step]

例子:

d = tf.range(6)print(d[::-1])  # 实现倒序print(d[::2])  # 步长为2

输出结果:

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

维度变换

tf.reshape

tf.reshape 可以帮助我们进行维度转换.

格式:

tf.reshape(    tensor, shape, name=None)

参数:

• tensor: 传入的张量
• shape: 张量的形状
• name: 数据名称

例子:

a = tf.random.normal([3, 8, 128])print(a.shape)b = tf.reshape(a, [3, 1024])print(b.shape)c = tf.reshape(a, [3, -1])print(c.shape)

输出结果:

(3, 8, 128)
(3, 1024)
(3, 1024)

tf.transpose

格式:

tf.transpose(    a, perm=None, conjugate=False, name='transpose')

例子:

a = tf.random.normal([4, 3, 2, 1])print(a.shape)b = tf.transpose(a)print(b.shape)c = tf.transpose(a, perm=[0, 1, 3, 2])print(c.shape)

输出结果:

(4, 3, 2, 1)
(1, 2, 3, 4)
(4, 3, 1, 2)

tf.expand_dims

格式:

tf.expand_dims(    input, axis, name=None)

参数:

• input: 输入
• axis: 操作的维度
• name: 数据名称

例子:

a = tf.random.normal([4, 3, 2, 1])print(a.shape)b = tf.expand_dims(a, axis=0)print(b.shape)c = tf.expand_dims(a, axis=1)print(c.shape)d = tf.expand_dims(a, axis=-1)print(d.shape)

输出结果:

(4, 3, 2, 1)
(1, 4, 3, 2, 1)
(4, 1, 3, 2, 1)
(4, 3, 2, 1, 1)

tf.squeeze

tf.squeeze 可以帮助我们删去所有维度为1 的维度.

格式:

tf.squeeze(    input, axis=None, name=None)

参数:

• input: 输入
• axis: 操作的维度
• name: 数据名称

例子:

a = tf.zeros([2, 1, 1, 3, 5])s1 = tf.squeeze(a)print(s1.shape)s2 = tf.squeeze(a, axis=1)print(s2.shape)s3 = tf.squeeze(a, axis=2)print(s3.shape)

输出结果:

(2, 3, 5)
(2, 1, 3, 5)
(2, 1, 3, 5)

Boardcasting

广播机制 (Boardcasting) 是一种张量复制的手段. Boardcasting 可以帮助我们扩张张量的形状但无需实际复制数据.

广播机制允许我们在隐式情况下进行填充, 从而使得我们的代码更加简洁, 更有效率地使用内存.

tf.boardcast_to

boardcast_to:

tf.broadcast_to(    input, shape, name=None)

参数:

• input: 输入
• shape: 数据形状
• name: 数据名称

例子:

a = tf.broadcast_to(tf.random.normal([4, 1, 1, 1]), [4, 32, 32, 3])print(a.shape)b = tf.broadcast_to(tf.zeros([128, 1, 1, 1]), [128, 32, 32, 3])print(b.shape)

输出结果:

(4, 32, 32, 3)
(128, 32, 32, 3)

tf.tile

格式:

tf.tile(    input, multiples, name=None)

参数:

• input: 输入
• multiples: 同一纬度上复制的次数
• name: 数据名称

例子:

a = tf.zeros([4, 1, 1, 1])print(a.shape)b = tf.tile(a, [1, 32, 32, 3])print(b.shape)

输出结果:

(4, 1, 1, 1)
(4, 32, 32, 3)

注: boardcast_to 和 tile 的区别在于 boardcast_to 可以在不复制内存的情况下自动扩张 tensor.

数学运算

加减乘除

例子:

# 定义张量t1 = tf.ones([3, 3])t2 = tf.fill([3, 3], 3.0)# 加add = t1 + t2print(add)# 减minus = t1 - t2print(minus)# 乘multiply = t1 * t2print(multiply)# 除divide = t1 / t2print(divide)

输出结果:

tf.Tensor(
[[4. 4. 4.]
[4. 4. 4.]
[4. 4. 4.]], shape=(3, 3), dtype=float32)
tf.Tensor(
[[-2. -2. -2.]
[-2. -2. -2.]
[-2. -2. -2.]], shape=(3, 3), dtype=float32)
tf.Tensor(
[[3. 3. 3.]
[3. 3. 3.]
[3. 3. 3.]], shape=(3, 3), dtype=float32)
tf.Tensor(
[[0.33333334 0.33333334 0.33333334]
[0.33333334 0.33333334 0.33333334]
[0.33333334 0.33333334 0.33333334]], shape=(3, 3), dtype=float32)

log & exp

例子:

# loga = tf.fill([2], 100.0)print(a)b = tf.math.log(a)  # 以e为底print(b)# expc = tf.ones([2])print(c)d = tf.exp(c)print(d)

输出结果:

tf.Tensor([100. 100.], shape=(2,), dtype=float32)
tf.Tensor([4.6051702 4.6051702], shape=(2,), dtype=float32)
tf.Tensor([1. 1.], shape=(2,), dtype=float32)
tf.Tensor([2.7182817 2.7182817], shape=(2,), dtype=float32)

pow & sqrt

例子:

# 定义张量a = tf.fill([2], 4.0)print(a)# powb = tf.pow(a, 2)print(b)# sqrtc = tf.sqrt(a, 2)print(c)

输出结果:

tf.Tensor([4. 4.], shape=(2,), dtype=float32)
tf.Tensor([16. 16.], shape=(2,), dtype=float32)
tf.Tensor([2. 2.], shape=(2,), dtype=float32)

矩阵相乘 @

我们可以使用tf.matmul或@来实现矩阵相乘.

例子:

# 定义张量a = tf.fill([2, 2], 2)b = tf.fill([2, 2], 3)# matmulc = tf.matmul(a, b)print(c)# @d = a@bprint(d)

输出结果:

tf.Tensor(
[[12 12]
[12 12]], shape=(2, 2), dtype=int32)
tf.Tensor(
[[12 12]
[12 12]], shape=(2, 2), dtype=int32)

到此这篇关于一小时学会TensorFlow2之基本操作2实例代码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！