TensorFlow學習筆記1(TensorFlow數據類型)

import tensorflow as tf
import numpy as np

TensorFlow數據類型

python里面有類型：list, np.array, tf.Tensor

list是python自帶的類型，可以存儲不同類型的data，但是整體不夠高效；

np.array包含在numpy庫里面，方便數據計算，但是不支持求導；

Tensor是tensorflow里面的類型，可以進行快速計算和求梯度等，tensor是基於向量和矩陣的推廣，可以將標量視為0階張量，向量視為1階張量，矩陣視為2階張量。

tensor的數據可以分為以下類型：int, float, double, bool, string

1.1 如何進行創建？

• 創建一個整型的tensor:

tf.constant(1)

• 創建一個浮點型的tensor:

tf.constant(1.)

• 創建一個bool型的tensor:

tf.constant([True, False])

• 創建一個string型的tensor:

tf.constant('hello, world.')

• 創建一個雙精度浮點型的tensor:

tf.constant(2., dtype=tf.double)

1.2 Tensor的屬性

tensor一般存儲在GPU當中，numpy的變量一般存儲在CPU當中，有些時候需要將得到的數據進行轉換才能進一步進行計算。

#分別在cpu和gpu中創建兩個tensor,默認是在gpu中創建
with tf.device("cpu"):
      a = tf.constant([1])
with tf.device("gpu"):
      b = tf.range(4)
	
#查看變量是存儲在gpu還是cpu中
a.device
b.device

#相互轉換
aa=a.gpu()
aa.device   #將cpu中的變量a轉換為cpu中的aa， 然后查看

bb=b.cpu()
bb.device

gpu上面的操作只能在gpu上面操作，cpu上面的操作只能在cpu上面操作

#將tensor轉換為numpy中的數據類型
b.numpy()

#查看數據維度（這兩者有區別嗎？）
b.ndim       #shape屬性的長度（length）也是它的ndim.
tf.rank(b)   #張量的秩與矩陣的秩不一樣.張量的秩是唯一選擇張量的每個元素所需的索引的數量.秩也被稱為 “order”,“degree” 或 “ndims”.

tf.rank(tf.ones([3,4,2]))

1.3 查看數據類型

a=tf.constant([1.])
b=tf.constant([True, False])
c=tf.constant('hello, world.')
d=np.arange(4)

#判斷是否是一個Tensor
isinstance(a, tf.Tensor)  #在一種情況會失效，后面會提到
tf.is_tensor(b)

a.dtype, b.dtype, c.dtype

a.dtype==tf.float32

c.dtype==tf.string

1.4 數據類型轉化

• 轉換數據類型, 將一個numpy轉換為一個tensor, 可以用這種方式創建一個tensor

a=np.arange(5)

a.dtype    #默認生成int64

aa=tf.convert_to_tensor(a)
aa=tf.convert_to_tensor(a, dtype=tf.int32)

tf.cast(aa, dtype=tf.float32)
aaa=tf.cast(aa, dtype=tf.double)
tf.cast(aaa, dtype=tf.int32)     #tf.cast和tf.convert_to_tensor區別？tf.convert_to_tensor是將numpy轉化為tensor,
                                 #tf.cast是轉換tensor的dtype

• bool型和int型相互轉換：

b=tf.constant([0,1])
tf.cast(b, dtype=tf.bool)

bb=tf.cast(b,dtype=tf.bool)
tf.cast(bb, tf.int32)

• tf.Variable是tensorflow中特有的數據類型，表示在訓練神經網絡時可以優化的參數，也就是不斷求梯度進行迭代的變量。將一般的tensor進行轉化為tf.Variable之后，具有了兩個屬性：trainable和name。

a=tf.range(5)

b=tf.Variable(a)
b.dtype
b.name

b=tf.Variable(a, name='input_data')  #可對tf.Variable重命名
b.name
b.trainable

isinstance(b, tr.Tensor)  #此時函數失效，返回false
isinstance(b, tr.Variable) #True
tf.is_tensor(b)  #True

• 轉換為numpy數據：

a.numpy()
b.numpy()

a=tf.ones([])

a.numpy()  #將tensor轉換為numpy
int(a)     #具有相同的功效，更常用
float(a)