TensorFlow基础
import numpy as np
import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers as layers
physical_devices = tf.config.experimental.list_physical_devices('GPU')
assert len(physical_devices) > 0, "Not enough GPU hardware devices available"
tf.config.experimental.set_memory_growth(physical_devices[0], True)
1.数据类型
Tensorflow主要有3种数据类型：数值型，字符串型，布尔型
1.1 数值类型
标量(Scalar) 单个的实数，如 1.2, 3.4 等
向量(Vector) n 个实数的有序集合，通过中括号包裹，如[1.2]，[1.2,3.4]等
矩阵(Matrix) n 行 m 列实数的有序集合，如[[1,2],[3,4]]
标量在 TensorFlow 是如何创建的
# python 语言方式创建标量
a = 1.2
# TF 方式创建标量
aa = tf.constant(1.2)
type(a), type(aa), tf.is_tensor(aa)
(float, tensorflow.python.framework.ops.EagerTensor, True)
如果要使用 TensorFlow 提供的功能函数， 须通过 TensorFlow 规定的方式去创建张量，而不能使用 Python 语言的标准变量创建方式。
x = tf.constant([1,2.,3.3])
# 打印 TF 张量的相关信息
x
<tf.Tensor: shape=(3,), dtype=float32, numpy=array([1. , 2. , 3.3], dtype=float32)>
# 将 TF 张量的数据导出为 numpy 数组格式
x.numpy()
array([1. , 2. , 3.3], dtype=float32)
与标量不同，向量的定义须通过 List 容器传给 tf.constant()函数。
创建一个元素的向量：
# 创建一个元素的向量
a = tf.constant([1.2])
a, a.shape
(<tf.Tensor: id=2, shape=(1,), dtype=float32, numpy=array([1.2], dtype=float32)>,
TensorShape([1]))
创建 3 个元素的向量：
# 创建 3 个元素的向量
a = tf.constant([1,2, 3.])
a, a.shape
(<tf.Tensor: id=3, shape=(3,), dtype=float32, numpy=array([1., 2., 3.], dtype=float32)>,
TensorShape([3]))
定义矩阵
# 创建 2 行 2 列的矩阵
a = tf.constant([[1,2],[3,4]])
a, a.shape
(<tf.Tensor: id=4, shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
[3, 4]])>, TensorShape([2, 2]))
三维张量可以定义为：
# 创建 3 维张量
tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]])
<tf.Tensor: id=5, shape=(2, 2, 2), dtype=int32, numpy=
array([[[1, 2],
[3, 4]],
[[5, 6],
[7, 8]]])>
通过传入字符串对象即可创建字符串类型的张量
# 创建字符串
a = tf.constant('Hello, Deep Learning.')
a
<tf.Tensor: id=6, shape=(), dtype=string, numpy=b'Hello, Deep Learning.'>
1.2 字符串类型
通过传入字符串对象即可创建字符串类型的张量
# 创建字符串
a = tf.constant('Hello, Deep Learning.')
a
<tf.Tensor: id=7, shape=(), dtype=string, numpy=b'Hello, Deep Learning.'>
在 tf.strings 模块中，提供了常见的字符串类型的工具函数，如小写化 lower()、 拼接
join()、 长度 length()、 切分 split()等。
# 小写化字符串
tf.strings.lower(a)
<tf.Tensor: id=8, shape=(), dtype=string, numpy=b'hello, deep learning.'>
1.3 布尔类型
布尔类型的张量只需要传入 Python 语言的布尔类型数据，转换成 TensorFlow 内部布尔型即可。
# 创建布尔类型标量
tf.constant(True)
<tf.Tensor: id=9, shape=(), dtype=bool, numpy=True>
创建布尔类型的向量
# 创建布尔类型向量
tf.constant([True, False])
<tf.Tensor: id=10, shape=(2,), dtype=bool, numpy=array([ True, False])>
需要注意的是， TensorFlow 的布尔类型和 Python 语言的布尔类型并不等价，不能通用
# 创建 TF 布尔张量
a = tf.constant(True)
# TF 布尔类型张量与 python 布尔类型比较
print(a is True)
# 仅数值比较
print(a == True)
False
tf.Tensor(True, shape=(), dtype=bool)
2.数值精度
对于数值类型的张量，可以保持为不同字节长度的精度，如浮点数 3.14 既可以保存为
16-bit 长度，也可以保存为 32-bit 甚至 64-bit 的精度。Bit 位越长，精度越高，同时占用的内存空间也就越大。常用的精度类型有 tf.int16, tf.int32, tf.int64, tf.float16, tf.float32, tf.float64，其中 tf.float64 即为 tf.double。
在创建张量时，可以指定张量的保存精度
# 创建指定精度的张量
tf.constant(123456789, dtype=tf.int16)
<tf.Tensor: id=14, shape=(), dtype=int16, numpy=-13035>
对于浮点数， 高精度的张量可以表示更精准的数据，例如采用 tf.float32 精度保存π时，实际保存的数据为 3.1415927
import numpy as np
# 从 numpy 中导入 pi 常量
np.pi
# 32 位
tf.constant(np.pi, dtype=tf.float32)
<tf.Tensor: id=16, shape=(), dtype=float32, numpy=3.1415927>
如果采用 tf.float64 精度保存π，则能获得更高的精度
tf.constant(np.pi, dtype=tf.float64) # 64 位
<tf.Tensor: id=17, shape=(), dtype=float64, numpy=3.141592653589793>
2.1 读取精度
通过访问张量的 dtype 成员属性可以判断张量的保存精度
a = tf.constant(np.pi, dtype=tf.float16)
# 读取原有张量的数值精度
print('before:',a.dtype)
# 如果精度不符合要求，则进行转换
if a.dtype != tf.float32:
# tf.cast 函数可以完成精度转换
a = tf.cast(a,tf.float32)
# 打印转换后的精度
print('after :',a.dtype)
before: <dtype: 'float16'>
after : <dtype: 'float32'>
2.2 类型转换
系统的每个模块使用的数据类型、 数值精度可能各不相同， 对于不符合要求的张量的类型及精度， 需要通过 tf.cast 函数进行转换
# 创建 tf.float16 低精度张量
a = tf.constant(np.pi, dtype=tf.float16)
# 转换为高精度张量
tf.cast(a, tf.double)
<tf.Tensor: id=21, shape=(), dtype=float64, numpy=3.140625>
进行类型转换时，需要保证转换操作的合法性， 例如将高精度的张量转换为低精度的张量时，可能发生数据溢出隐患：
a = tf.constant(123456789, dtype=tf.int32)
# 转换为低精度整型
tf.cast(a, tf.int16)
<tf.Tensor: id=23, shape=(), dtype=int16, numpy=-13035>
布尔类型与整型之间相互转换也是合法的， 是比较常见的操作
a = tf.constant([True, False])
# 布尔类型转整型
tf.cast(a, tf.int32)
<tf.Tensor: id=25, shape=(2,), dtype=int32, numpy=array([1, 0])>
一般默认 0 表示 False， 1 表示 True，在 TensorFlow 中，将非 0 数字都视为 True，
a = tf.constant([-1, 0, 1, 2])
# 整型转布尔类型
tf.cast(a, tf.bool)
<tf.Tensor: id=27, shape=(4,), dtype=bool, numpy=array([ True, False, True, True])>
3.待优化张量
为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量，TensorFlow 增加了一种专门的数据类型来支持梯度信息的记录：tf.Variable。tf.Variable 类型在普通的张量类型基础上添加了 name，trainable 等属性来支持计算图的构建。由于梯度运算会消耗大量的计算资源，而且会自动更新相关参数，对于不需要的优化的张量，如神经网络的输入 X，不需要通过 tf.Variable 封装；相反，对于需要计算梯度并优化的张量，如神经网络层的W 和𝒃，需要通过 tf.Variable 包裹以便 TensorFlow 跟踪相关梯度信息。
通过 tf.Variable()函数可以将普通张量转换为待优化张量：
# 创建 TF 张量
a = tf.constant([-1, 0, 1, 2])
# 转换为 Variable 类型
aa = tf.Variable(a)
# Variable 类型张量的属性, 名字， 是否求导数
aa.name, aa.trainable
('Variable:0', True)
name 属性用于命名计算图中的变量，这套命名体系是 TensorFlow 内部维护的， 一般不需要用户关注 name 属性；
trainable属性表征当前张量是否需要被优化，创建 Variable 对象时是默认启用优化标志，可以设置trainable=False 来设置张量不需要优化。
# 直接创建 Variable 张量
tf.Variable([[1,2],[3,4]])
<tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
array([[1, 2],
[3, 4]])>
4.创建张量
4.1 从数组、列表对象创建
通过 tf.convert_to_tensor 函数可以创建新 Tensor，并将保存在 Python List 对象或者Numpy Array 对象中的数据导入到新 Tensor 中。
# 从列表创建张量
tf.convert_to_tensor([1,2.])
<tf.Tensor: id=44, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>
# 从数组中创建张量
tf.convert_to_tensor(np.array([[1,2.],[3,4]]))
<tf.Tensor: id=45, shape=(2, 2), dtype=float64, numpy=
array([[1., 2.],
[3., 4.]])>
4.2 创建全0或全1张量
创建全 0 的矩阵
# 创建全 0 矩阵，指定 shape 为 2 行 2 列
tf.zeros([2,2])
<tf.Tensor: id=56, shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
[0., 0.]], dtype=float32)>
创建全 1 的矩阵
# 创建全 1 矩阵，指定 shape 为 3 行 2 列
tf.ones([3,2])
<tf.Tensor: id=59, shape=(3, 2), dtype=float32, numpy=
array([[1., 1.],
[1., 1.],
[1., 1.]], dtype=float32)>
通过 tf.zeros_like, tf.ones_like 可以方便地新建与某个张量 shape 一致， 且内容为全 0 或全 1 的张量。
# 创建一个矩阵
a = tf.ones([2,3])
# 创建一个与 a 形状相同，但是全 0 的新矩阵
tf.zeros_like(a)
<tf.Tensor: id=63, shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
创建与张量A形状一样的全 1 张量
# 创建一个矩阵
a = tf.zeros([3,2])
# 创建一个与 a 形状相同，但是全 1 的新矩阵
tf.ones_like(a)
<tf.Tensor: id=69, shape=(3, 2), dtype=float32, numpy=
array([[1., 1.],
[1., 1.],
[1., 1.]], dtype=float32)>
4.3 创建自定义数值张量
通过 tf.fill(shape, value) 可以创建全为自定义数值 value 的张量，形状由 shape 参数指定。
# 创建 2 行 2 列，元素全为 99 的矩阵
tf.fill([2,2], 99)
<tf.Tensor: id=78, shape=(2, 2), dtype=int32, numpy=
array([[99, 99],
[99, 99]])>
4.4 创建已知分布的张量
通过 tf.random.normal(shape, mean=0.0, stddev=1.0)可以创建形状为 shape，均值为mean，标准差为 stddev 的正态分布 N ( m e a n , s t d d e v 2 ) \mathcal{N}(mean, stddev^2) N(mean,stddev2)。
# 创建标准正态分布的张量
tf.random.normal([2,2])
<tf.Tensor: id=84, shape=(2, 2), dtype=float32, numpy=
array([[0.4479265 , 1.2336508 ],
[0.96864706, 2.076528 ]], dtype=float32)>
通过 tf.random.uniform(shape, minval=0, maxval=None, dtype=tf.float32) 可以创建采样自[minval, maxval)区间的均匀分布的张量
# 创建采样自[0,1)均匀分布的矩阵
tf.random.uniform([3,2])
<tf.Tensor: id=97, shape=(3, 2), dtype=float32, numpy=
array([[0.5197921 , 0.80691314],
[0.38051474, 0.05250001],
[0.18329549, 0.8741617 ]], dtype=float32)>
# 创建采样自[0,10)均匀分布的矩阵
tf.random.uniform([2,2],maxval=10)
<tf.Tensor: id=104, shape=(2, 2), dtype=float32, numpy=
array([[0.4374528 , 7.3671246 ],
[2.1262336 , 0.12584329]], dtype=float32)>
如果需要均匀采样整形类型的数据，必须指定采样区间的最大值 maxval 参数，同时指定数据类型为 tf.int*型
# 创建采样自[0,100)均匀分布的整型矩阵
tf.random.uniform([2,2],maxval=100,dtype=tf.int32)
<tf.Tensor: id=108, shape=(2, 2), dtype=int32, numpy=
array([[15, 50],
[38, 84]])>
4.4 创建序列
tf.range(limit, delta=1) 可以创建[0, limit)之间，步长为 delta 的整型序列，不包含 limit 本身。
# 0~10，不包含 10
tf.range(10)
<tf.Tensor: shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>
# 创建 0~10，步长为 2 的整形序列
tf.range(10,delta=2)
<tf.Tensor: id=116, shape=(5,), dtype=int32, numpy=array([0, 2, 4, 6, 8])>
tf.range(1,10,delta=2) # 1~10
<tf.Tensor: id=120, shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9])>
转载：https://blog.csdn.net/qq_43328040/article/details/109061108