TensorFlow主要有以下几种数据类型
TensorFlow 中的 Tensor 表示张量，是多维数组、多维列表，用阶表示张量的维数。
0 阶张量叫做标量，表示的是一个单独的数，如 1 2 3；1 阶张量叫作向量，表示的是一个一维数组如[1,2,3]；2 阶张量叫作矩阵，表示的是一个二维数组，它可以有 i 行 j
列个元素，每个元素用它的行号和列号共同索引到，如在[[1,2,3],[4,5,6],[7,8,9]]中，2 的索引即为第 0 行第 1 列。张量的阶数与方括号的数量相同，0 个方括号即为 0 阶张量，1 个方括号即为 1 阶张量。故张量可以表示0 阶到 n 阶的数组。
2.创建张量
tf.constant(张量内容，dtype=数据类型(可选))
import tensorflow as tf
if __name__ == '__main__':
a = tf.constant([1, 5], dtype=tf.int64)
print(a)
print(a.dtype)
print(a.shape)
运行结果
很多时候, 数据格式是NumPy给出的.
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
比如可通过 reshape 的方式得到更高维度数组，举例如下：
import numpy as np
if __name__ == '__main__':
c = np.arange(24).reshape(2, 4, 3) #2*4*3的数组
print(c)
运行结果
通常我们需要将numpy的数据类型转换为Tensor数据类型
tf. convert_to_tensor(数据名，dtype=数据类型(可选))
import tensorflow as tf
import numpy as np
if __name__ == '__main__':
a = np.arange(0, 5)
b = tf.convert_to_tensor(a, dtype=tf.int64)
print(a)
print(b)
运行结果
import tensorflow as tf
if __name__ == '__main__':
a = tf.zeros([2, 3]) //2行3列的矩阵, 元素全为0
b = tf.ones(4) //4个1的向量
c = tf.fill([2, 2], 9) //2行2列的矩阵, 元素全为9
print(a)
print(b)
print(c)
运行结果
a.正态分布
import tensorflow as tf
if __name__ == '__main__':
d = tf.random.normal([2, 2], mean=0.5, stddev=1)
print(d)
e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1)
print(e)
运行结果
b.均匀分布
import tensorflow as tf
if __name__ == '__main__':
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print(f)
运行结果
import tensorflow as tf
if __name__ == '__main__':
x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print(x1)
x2 = tf.cast(x1, tf.int32)
print(x2)
运行结果
import tensorflow as tf
if __name__ == '__main__':
x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print(x1)
x2 = tf.cast(x1, tf.int32)
print(x2)
print(tf.reduce_min(x2),tf.reduce_max(x2))
运行结果
import tensorflow as tf
if __name__ == '__main__':
x = tf.constant([[1, 2, 3],
[2, 2, 3]])
print(x)
print(tf.reduce_mean(x))
print(tf.reduce_sum(x, axis=1))
运行结果
import tensorflow as tf
if __name__ == '__main__':
w = tf.Variable(tf.random.normal([2, 2], mean=0, stddev=1))
print(w)
运行结果
import tensorflow as tf
if __name__ == '__main__':
a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print(a)
print(b)
print(tf.add(a, b))
print(tf.subtract(a, b))
print(tf.multiply(a, b))
print(tf.divide(b, a))
运行结果
import tensorflow as tf
if __name__ == '__main__':
w = tf.Variable(4)
w.assign_sub(1)
print(w)
运行结果
import tensorflow as tf
if __name__ == '__main__':
a = tf.fill([1, 2], 3.)
print(a)
print(tf.pow(a, 3))
print(tf.square(a))
print(tf.sqrt(a))
运行结果
import tensorflow as tf
if __name__ == '__main__':
a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print(tf.matmul(a, b))
运行结果
import tensorflow as tf
if __name__ == '__main__':
with tf.GradientTape() as tape:
w = tf.Variable(tf.constant(3.0))
loss = tf.pow(w, 2) # loss=w^2 loss’=2w
grad = tape.gradient(loss, w)
print(grad)
运行结果
运行结果
import tensorflow as tf
if __name__ == '__main__':
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
print(i, element)
运行结果
import tensorflow as tf
if __name__ == '__main__':
classes = 3
labels = tf.constant([1, 0, 2]) # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels, depth=classes)
print(output)
运行结果
import tensorflow as tf
if __name__ == '__main__':
y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro)
5.argmax
import tensorflow as tf
import numpy as np
if __name__ == '__main__':
test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
print(test)
print(tf.argmax(test, axis=0)) # 返回每一列（经度）最大值的索引
print(tf.argmax(test, axis=1)) # 返回每一行（纬度）最大值的索引
运行结果
