TensorFlow2.0(1):基本数据结构—张量

1 引言

TensorFlow2.0版本已经发布,虽然不是正式版,但预览版都发布了,正式版还会远吗?相比于1.X,2.0版的TensorFlow修改的不是一点半点,这些修改极大的弥补了1.X版本的反人类设计,提升了框架的整体易用性,绝对好评!

不多说了,赶紧来学习一波吧,做最先吃螃蟹的那一批人!先从TensorFlow的基本数据结构——张量(tensor)开始。

2 创建

2.1 constant()方法

>>> import tensorflow as tf
>>> tf.constant(1) # 创建一个整型张量
<tf.Tensor: id=414, shape=(), dtype=int32, numpy=1>
>>> tf.constant(1.) # 创建一个浮点型张量
<tf.Tensor: id=416, shape=(), dtype=float32, numpy=1.0>
>>> tf.constant(2., dtype=tf.double) # 创建的同时指定数据类型
<tf.Tensor: id=418, shape=(), dtype=float64, numpy=2.0>
>>> tf.constant([[1.,2.,3.],[4.,5.,6.]]) # 通过传入一个list参数创建
<tf.Tensor: id=420, shape=(2, 3), dtype=float32, numpy=
array([[1., 2., 3.],
[4., 5., 6.]], dtype=float32)>

如果输入的数据与指定的数据类型不相符,会报错:

>>> tf.constant(2.1, dtype=tf.int32)
Traceback (most recent call last):
 ……
TypeError: Cannot convert provided value to EagerTensor. Provided value: 2.1 Requested dtype: int32

2.2 convert_to_tensor()方法

>>> tf.convert_to_tensor(np.ones([2, 3]))
>>> import numpy as np
>>> tf.convert_to_tensor(np.ones([2, 3]))
<tf.Tensor: id=0, shape=(2, 3), dtype=float64, numpy=
array([[1., 1., 1.],
[1., 1., 1.]])>
convert_to_tensor()方法也接收普通list类型作为参数来转换为tensor类型:
>>> tf.convert_to_tensor([[2.,3.],[3., 4.]])
<tf.Tensor: id=2, shape=(2, 2), dtype=float32, numpy=
array([[2., 3.],
[3., 4.]], dtype=float32)>

2.3 创建元素为指定值的tensor

如果你熟悉numpy创建数组的方法,你一定见过zeros()、ones()等方法,TensorFlow中也有这些方法。

zeros()、ones()、zeros_like()、ones_like()、fill():

>>> tf.zeros([2, 3, 3]) # 创建一个元素全为0,形状为[2, 3, 3]的tensor
<tf.Tensor: id=10, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
 
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]], dtype=float32)>
>>> tf.ones([2, 3]) # 创建一个元素全为1,形状为[2, 3]的tensor
<tf.Tensor: id=14, shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>
>>> tf.zeros_like(a) # 仿照a的shape创建一个全为0的tensor
<tf.Tensor: id=19, shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
>>> b = tf.zeros([2, 3, 3])
>>> tf.ones_like(b) # 仿照b的shape创建一个全为1的tensor
<tf.Tensor: id=30, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
 
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]], dtype=float32)>
>>> tf.fill([2,3],5) # 创建爱元素全为5,形状为[2,3]的tensor
<tf.Tensor: id=34, shape=(2, 3), dtype=int32, numpy=
array([[5, 5, 5],
[5, 5, 5]])>

2.4 随机初始化

在实际应用中,经常需要随机初始化元素服从某种分布的tensor,TensorFlow中也提供了这种功能。

(1)从指定正态分布中随机取值:tf.random.normal()。例如,随机初始化一个元素服从均值为1,方差为1的正态分布且形状为[2, 3]的tensor:

>>> tf.random.normal([2, 3], mean=1, stddev=1)

<tf.Tensor: id=41, shape=(2, 3), dtype=float32, numpy=

array([[-1.7992694 , 1.7001245 , 1.4642581 ],

[ 0.43032944, 0.76772875, 1.4315588 ]], dtype=float32)>

tf.random.normal()在默认情况下,均值为0.0,方差为1.0,第一个参数shape为必传参数。

(2)从指定的截断正态分布中随机取值:truncated_normal()。意思是从指定的正太分布中取值,但是取值范围在两个标准差范围内,也就是:[ mean – 2 * stddev, mean + 2 * stddev ]

>>> tf.random.truncated_normal([2, 3], mean=1, stddev=1)
<tf.Tensor: id=48, shape=(2, 3), dtype=float32, numpy=
array([[-0.40271735, 1.406056 , 1.3271518 ],
[ 0.7627655 , 0.70162296, 0.5711335 ]], dtype=float32)>

(3)从指定均匀分布中随机取值:tf.random.uniform()。

>>> tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布
<tf.Tensor: id=56, shape=(2, 3), dtype=float32, numpy=
array([[1.3824016, 1.6685069, 1.1284984],
[1.4562235, 1.9348056, 1.7280834]], dtype=float32)>

3 索引

下面所有的索引都以一下张量a为例进行演示:

>>> a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))
>>> a
<tf.Tensor: id=113, shape=(2, 2, 4, 5), dtype=int32, numpy=
array([[[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
 
[[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]]],
 
 
[[[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49],
[50, 51, 52, 53, 54],
[55, 56, 57, 58, 59]],
 
[[60, 61, 62, 63, 64],
[65, 66, 67, 68, 69],
[70, 71, 72, 73, 74],
[75, 76, 77, 78, 79]]]])>

3.1 基础索引

TensorFlow支持Python原生的基础索引方式,即多个方括号逐步索引取值:[idx][idx][idx],每个方括号对应一个维度。

>>> a[0] # 取第一个维度
<tf.Tensor: id=118, shape=(2, 4, 5), dtype=int32, numpy=
array([[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
 
[[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]]])>
>>> a[0][1] # 同时筛选两个维度
<tf.Tensor: id=127, shape=(4, 5), dtype=int32, numpy=
array([[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]])>
>>> a[0][1][3][3] # 同时对4个维度进行筛选
<tf.Tensor: id=144, shape=(), dtype=int32, numpy=38>

这种索引数据的方法简单,易于理解,但是可读性差,只能按维度依次索引数据,也不能索引列。

3.2 numpy索引

TensorFlow也继承了numpy中的部分索引方式,如果对numpy索引方式不熟悉,可以查看我的前几篇博客(https://www.cnblogs.com/chenhuabin/p/11412818.html):

(1)[idx1, idx2, idx3]

这种索引方式是在一个方括号内写下所有的索引,每个索引序号之间用逗号隔开。

>>> a[1] # 筛选第一维度,这跟基础索引一样
<tf.Tensor: id=165, shape=(2, 4, 5), dtype=int32, numpy=
array([[[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49],
[50, 51, 52, 53, 54],
[55, 56, 57, 58, 59]],
 
[[60, 61, 62, 63, 64],
[65, 66, 67, 68, 69],
[70, 71, 72, 73, 74],
[75, 76, 77, 78, 79]]])>
>>> a[1,1, 3] # 同时帅选3个维度
<tf.Tensor: id=175, shape=(5,), dtype=int32, numpy=array([75, 76, 77, 78,

(2)冒号切片与步长:[start:end:step]

这种索引方式在Python原生的list类型中也是常见的,而且使用方法也是一样的。

>>> a[1,:,0:2] # 对第1维度选第二块数据,对第二维度选所有数据,对第三维度选前两行
<tf.Tensor: id=180, shape=(2, 2, 5), dtype=int32, numpy=
array([[[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49]],
 
[[60, 61, 62, 63, 64],
[65, 66, 67, 68, 69]]])>
>>> a[1,:,0:2,0:4] # 继续上面的例子,对第4维度筛选去前4列
<tf.Tensor: id=190, shape=(2, 2, 4), dtype=int32, numpy=
array([[[40, 41, 42, 43],
[45, 46, 47, 48]],
 
[[60, 61, 62, 63],
[65, 66, 67, 68]]])>
>>> a[1,:,0:2,0:4:2] # 对第4维度加上步长,每隔一个数据取一次
<tf.Tensor: id=200, shape=(2, 2, 2), dtype=int32, numpy=
array([[[40, 42],
[45, 47]],
 
[[60, 62],
[65, 67]]])>

也可以使用负值步长表示逆序索引,但要注意,负数步长时,原本的[start : end : step]也要跟着编程[end : start : step]:

>>> a[1,:,0:2,4:0:-1]
<tf.Tensor: id=245, shape=(2, 2, 4), dtype=int32, numpy=
array([[[44, 43, 42, 41],
[49, 48, 47, 46]],
 
[[64, 63, 62, 61],
[69, 68, 67, 66]]])>
>>> a[1,:,0:2,4:0:-2]
<tf.Tensor: id=250, shape=(2, 2, 2), dtype=int32, numpy=
array([[[44, 42],
[49, 47]],
 
[[64, 62],
[69, 67]]])>

在numpy和TensorFlow中还有“…”(三个英文句号)的使用,“…”用于表示连续多个维度全选:

>>> a[1,...,0:4] # 等同于a[1, : , : ,0:4]
<tf.Tensor: id=303, shape=(2, 4, 4), dtype=int32, numpy=
array([[[40, 41, 42, 43],
[45, 46, 47, 48],
[50, 51, 52, 53],
[55, 56, 57, 58]],
 
[[60, 61, 62, 63],
[65, 66, 67, 68],
[70, 71, 72, 73],
[75, 76, 77, 78]]])>
>>> a[0,0,...] # 等同于a[0,0,:,:]
<tf.Tensor: id=351, shape=(4, 5), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])>

3.3 gather与gather_nd

gather与gather_nd是指TensorFlow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中,可以通过嵌套list的方式来指定无规则的索引:

>>> b = np.arange(20).reshape(4,5)
>>> b
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列
array([5, 8, 9])
>>> b[[1,2], [0,3,4]]

但是在TensorFlow中,这种索引方式并没有从numpy中继承下来:

>>> t = tf.convert_to_tensor(b)
>>> t
<tf.Tensor: id=253, shape=(4, 5), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])>
>>> t[1, [0,3,4]]
Traceback (most recent call last):
……
TypeError: Only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]

还好的是,在TensorFlow中通过gather()方法和gather_nd()方法提供了这种索引方法。

(1)gather()方法

>>> tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行,第3行,第4行
<tf.Tensor: id=269, shape=(3, 5), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])>
>>> tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列,第3列,第4列
<tf.Tensor: id=274, shape=(4, 3), dtype=int32, numpy=
array([[ 0, 2, 3],
[ 5, 7, 8],
[10, 12, 13],
[15, 17, 18]])>

仔细观察上面gather()方法例子,可以发现,第一个参数时数据源,还有两个参数中,axis指的是将要的维度,indices指的是需要选取的序号。

(2)gather_nd()

gather()方法一次只能对一个维度进行索引,gather_nd()方法可以同时对多个维度进行索引。

>>> tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据,和第4行第4列的数据
<tf.Tensor: id=284, shape=(2,), dtype=int32, numpy=array([ 2, 18])>

4 维度变换

4.1 reshape()

numpy中的ndarray数组有个一reshape()方法,用来改变数组的shape,TensorFlow中的reshape()方法,功能也是一样的,不过TensorFlow中的reshape()没有绑定到tensor中:

>>> a = tf.ones([2,3,4])
>>> a.shape
TensorShape([2, 3, 4])
>>> a
<tf.Tensor: id=359, shape=(2, 3, 4), dtype=float32, numpy=
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
 
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]], dtype=float32)>
>>> b = tf.reshape(a, [2, 2, 6])
>>> b.shape
TensorShape([2, 2, 6])
>>> b
<tf.Tensor: id=362, shape=(2, 2, 6), dtype=float32, numpy=
array([[[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]],
 
[[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]]], dtype=float32)>
>>> c = tf.reshape(a, [3, 2, 4])
>>> c
<tf.Tensor: id=365, shape=(3, 2, 4), dtype=float32, numpy=
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.]],
 
[[1., 1., 1., 1.],
[1., 1., 1., 1.]],
 
[[1., 1., 1., 1.],
[1., 1., 1., 1.]]], dtype=float32)>

可以看到,在上面的例子中,通过reshape()方法可以很方便的改变tensor的形状,得到一个新的tensor,需要注意的是在进行维度变换时,数据的重量是不变的,上面的例子无论是[2,3,4], [2, 2, 6]还是[3, 2, 4]都对应总量24,如果对应不上,就会产生异常。

4.2 转置:transpose()

transpose()方法提供了一种类似于装置的操作:

>>> a = tf.constant([[1,2,3],[4,5,6]])
>>> a.shape
TensorShape([2, 3])
>>> a = tf.constant([[1,2,3],[4,5,6]])
>>> a.shape
TensorShape([2, 3])
>>> b = tf.transpose(a)
>>> b.shape
TensorShape([3, 2])
>>> b
<tf.Tensor: id=376, shape=(3, 2), dtype=int32, numpy=
array([[1, 4],
[2, 5],
[3, 6]])>

在默认情况下,transpose()方法会将所有维度按逆序方式完全转置,当然也可以通过perm参数执行需要转置的维度:

>>> a=tf.constant([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
>>> a
<tf.Tensor: id=378, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 1, 2, 3],
[ 4, 5, 6]],
 
[[ 7, 8, 9],
[10, 11, 12]]])>
>>> b = tf.transpose(a) # 不指定perm参数时,相当于tf.transpose(a, perm=[2, 1, 0])
>>> b
<tf.Tensor: id=381, shape=(3, 2, 2), dtype=int32, numpy=
array([[[ 1, 7],
[ 4, 10]],
 
[[ 2, 8],
[ 5, 11]],
 
[[ 3, 9],
[ 6, 12]]])>
>>> c = tf.transpose(a, perm=[2, 1, 0])
>>> c
<tf.Tensor: id=384, shape=(3, 2, 2), dtype=int32, numpy=
array([[[ 1, 7],
[ 4, 10]],
 
[[ 2, 8],
[ 5, 11]],
 
[[ 3, 9],
[ 6, 12]]])>
>>> d = tf.transpose(a, perm=[0, 2, 1]) # 第一个维度不做变换,对第二、第三维度进行转置
>>> d
<tf.Tensor: id=387, shape=(2, 3, 2), dtype=int32, numpy=
array([[[ 1, 4],
[ 2, 5],
[ 3, 6]],
 
[[ 7, 10],
[ 8, 11],
[ 9, 12]]])>

4.3 添加维度:expand_dims()

>>> a=tf.constant([[1,2,3],[4,5,6]])
>>> a
<tf.Tensor: id=390, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6]])>
>>> tf.expand_dims(a, axis=0)
<tf.Tensor: id=396, shape=(1, 2, 3), dtype=int32, numpy=
array([[[1, 2, 3],
[4, 5, 6]]])>
>>> tf.expand_dims(a, axis=1)
<tf.Tensor: id=399, shape=(2, 1, 3), dtype=int32, numpy=
array([[[1, 2, 3]],
 
[[4, 5, 6]]])>
>>> tf.expand_dims(a, axis=-1)
<tf.Tensor: id=402, shape=(2, 3, 1), dtype=int32, numpy=
array([[[1],
[2],
[3]],
 
[[4],
[5],
[6]]])>
>>> tf.expand_dims(a, axis=2)
<tf.Tensor: id=405, shape=(2, 3, 1), dtype=int32, numpy=
array([[[1],
[2],
[3]],
 
[[4],
[5],
[6]]])>

expand_dims()方法添加维度时,通过axis参数指定添加维度的位置,正数表示从前往后数,负数表示从后往前数。

4.4 压缩维度:squeeze()

squeeze()方法与expand_dims()方法作用刚好相反,其作用是删除张量中dim为1的维度:

>>> a = tf.ones([1,3,1,2])
>>> a
<tf.Tensor: id=410, shape=(1, 3, 1, 2), dtype=float32, numpy=
array([[[[1., 1.]],
 
[[1., 1.]],
 
[[1., 1.]]]], dtype=float32)>
>>> tf.squeeze(a)
<tf.Tensor: id=412, shape=(3, 2), dtype=float32, numpy=
array([[1., 1.],
[1., 1.],
[1., 1.]], dtype=float32)>

 

    原文作者:奥辰
    原文地址: https://www.cnblogs.com/chenhuabin/p/11561633.html
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞