2022.5.20深度学习技术学习（BETA版）TensorFlow框架中的张量与变量（后期会不断完善）

阅读此文章需要结合我上传的word文档阅读。
此篇仅为个人学习笔记，特此说明
固定值张量

进入需要写一个

3行4列矩阵

指定类型的话
看值的话

学过numpy
用numpy创建数组

跟上面类似，只不过上面是用tensorflow创建数组

创建一个3行4列全0数组

随机值张量

Tensorflow实习正态分布

两种方法

确定一个绝对值在一个区间（一般用truncated比较多一些）

例如（stdv为标准差）

看值

偏离正中央，我们就多弄几个

这个就是截断

其他创建张量

一般来说做类型修改

（浮点型变整型）

形状变换（2,3）-----(1.6)

主要点（重要）只用这个

Demo243.py

代码如下：

import tensorflow as tf

def tensor_demo():

‘’’

张量的演示

‘’’

tensor1 = tf.constant(4.0)

tensor2 = tf.constant([1, 2, 3, 4])

linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

print(‘tensor1:\n’, tensor1)

print(‘tensor2:\n’, tensor2)

print(‘linear_squares_before:\n’, linear_squares)

# 张量类型的修改

t_cast = tf.cast(linear_squares, dtype=tf.float32)

print(‘linear_squares_after:\n’, linear_squares)

print(‘t_cast:\n’, t_cast)

if name == ‘main’:

tensor_demo()

解释如下

转换之前的张量，改变他的类型，返回值为t_cast,

打印出来

说明t_cast不会改变之前张量的值，只会返回一个不同数据类型的值

形状的改变

（动态形状，静态形状）

定义三个张量

先看看

这些都是静态形状（原始元素都是固定的）

Tensor1

Tensor2

Linear_squares_before

动态形状

无论在什么情况下，只要你想改变就能改变

什么情况下可以改变形状呢？

之前形状没有确定下来的时候

shape如果写上这个，不固定行和列（Demo243）

还有一种写法不固定行和列

行和列都确定下来

分别打印出来

看看效果

代码如下

import tensorflow as tf

def tensor_demo():

‘’’

张量的演示

‘’’

tensor1 = tf.constant(4.0)

tensor2 = tf.constant([1, 2, 3, 4])

linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

print(‘tensor1:\n’, tensor1)

print(‘tensor2:\n’, tensor2)

print(‘linear_squares_before:\n’, linear_squares)

# 张量类型的修改

t_cast = tf.cast(linear_squares, dtype=tf.float32)

print(‘linear_squares_after:\n’, linear_squares)

print(‘t_cast:\n’, t_cast)

# 更新/改变静态形状

# 定义占位符

# 没有完全固定下来的静态形状

a_p = tf.placeholder(dtype=tf.float32, shape=[None,None])

b_p = tf.placeholder(dtype=tf.float32, shape=[None,10])

c_p = tf.placeholder(dtype=tf.float32, shape=[3,2])

print(‘a_p:\n’, a_p)

print(‘b_p:\n’, b_p)

print(‘c_p:\n’, c_p)

if name == ‘main’:

tensor_demo()

问号代表没有固定下来的静态形状

不是随便****改变形状****的

传入参数是有要求的

维度只能在那个维度（不能够改变维度的）【维数不能改】

还有一个就是第二个情况，后面那个为10

【静态形状只能跟新，没有固定下来的部分】

静态形状在更新的时候，只能更新没有完全固定价格下来的部分

代码如下

import tensorflow as tf

def tensor_demo():

‘’’

张量的演示

‘’’

tensor1 = tf.constant(4.0)

tensor2 = tf.constant([1, 2, 3, 4])

linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

print(‘tensor1:\n’, tensor1)

print(‘tensor2:\n’, tensor2)

print(‘linear_squares_before:\n’, linear_squares)

# 张量类型的修改

t_cast = tf.cast(linear_squares, dtype=tf.float32)

print(‘linear_squares_after:\n’, linear_squares)

print(‘t_cast:\n’, t_cast)

# 更新/改变静态形状

# 定义占位符

# 没有完全固定下来的静态形状

a_p = tf.placeholder(dtype=tf.float32, shape=[None,None])

b_p = tf.placeholder(dtype=tf.float32, shape=[None,10])

c_p = tf.placeholder(dtype=tf.float32, shape=[3,2])

print(‘a_p:\n’, a_p)

print(‘b_p:\n’, b_p)

print(‘c_p:\n’, c_p)

# 更新形状未确定的部分

a_p.set_shape([2, 3])

b_p.set_shape([2, 10])

print(‘a_p:\n’, a_p)

print(‘b_p:\n’, b_p)

if name == ‘main’:

tensor_demo()

静态形状不能跨阶段

如果非要改的话

就利用动态形状改变

用reshape方式改

或者改c_p[本来3行2列的]

改为2行3列

形状可以变（3，2）----（3，2，1）

行数列数总数不能变

不能改成例如（3，2）---->（3，2，2）

这样改同样会报错，概括

tf.reshape 改变动态形状
tf.set_shape 改变静态形状

import tensorflow as tf

def tensor_demo():

‘’’

张量的演示

‘’’

tensor1 = tf.constant(4.0)

tensor2 = tf.constant([1, 2, 3, 4])

linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

print(‘tensor1:\n’, tensor1)

print(‘tensor2:\n’, tensor2)

print(‘linear_squares_before:\n’, linear_squares)

# 张量类型的修改

t_cast = tf.cast(linear_squares, dtype=tf.float32)

print(‘linear_squares_after:\n’, linear_squares)

print(‘t_cast:\n’, t_cast)

# 更新/改变静态形状

# 定义占位符

# 没有完全固定下来的静态形状

a_p = tf.placeholder(dtype=tf.float32, shape=[None,None])

b_p = tf.placeholder(dtype=tf.float32, shape=[None,10])

c_p = tf.placeholder(dtype=tf.float32, shape=[3,2])

print(‘a_p:\n’, a_p)

print(‘b_p:\n’, b_p)

print(‘c_p:\n’, c_p)

# 更新形状未确定的部分

#a_p.set_shape([2, 3]) # 尝试 a_p.set_shape([2, 3, 1])

#b_p.set_shape([2, 10]) # 尝试 b_p.set_shape([2, 5])

# 动态形状的改变

a_p_reshape = tf.reshape(a_p, shape=[2,3,1])

print(‘a_p:\n’, a_p)

print(‘a_p_reshape:\n’, a_p_reshape)

c_p_reshape = tf.reshape(c_p, shape=[2,3])

print(‘c_p:\n’, c_p)

print(‘c_p_reshape:\n’, c_p_reshape)

if name == ‘main’:

tensor_demo()

张量的数学运算（有API）

变量OP

在tensorflow里面

是在里面专门的OP组件

可以把程序里面的数据存储保存下来

深度学习的目的，为了解决一个模型，那么如何存储

权重为模型参数，希望模型参数能不断迭代更新，为了让模型参数保存下来

具体代码

这个比较简单

c是tensor，b，a为variable

开启会话

用sess.Run，参数

用
接受

结果只有警告

不担心（表示还没初始化值）

需要的操作

放在这里

还要记得运行初始化（demo251c）

代码如下

import tensorflow as tf

def variable_demo():

‘’’

变量的演示

‘’’

a = tf.Variable(initial_value=50)

b = tf.Variable(initial_value=40)

c = tf.add(a, b)

print(‘a:\n’, a)

print(‘b:\n’, b)

print(‘c:\n’, c)

# 初始化变量

init = tf.global_variables_initializer()

# 开启会话

with tf.Session() as sess:

​ #运行初始化

​ sess.run(init)

​ a_value, b_value, c_value = sess.run([a,b,c])

​ print(‘a_value:\n’, a_value)

​ print(‘b_value:\n’, b_value)

​ print(‘c_value:\n’, c_value)

if name == ‘main’:

variable_demo()

用这个方法

Demo252a

运行之后

希望a，b在同一个命名空间，c在不同命名空间

就是再写一个

代码如下

import tensorflow as tf

def variable_demo():

‘’’

变量的演示

‘’’

with tf.variable_scope(‘my_score’):

​ a = tf.Variable(initial_value=50)

​ b = tf.Variable(initial_value=40)

with tf.variable_scope(‘your_score’):

​ c = tf.add(a, b)

print(‘a:\n’, a)

print(‘b:\n’, b)

print(‘c:\n’, c)

# 初始化变量

init = tf.global_variables_initializer()

# 开启会话

with tf.Session() as sess:

​ #运行初始化

​ sess.run(init)

​ a_value, b_value, c_value = sess.run([a,b,c])

​ print(‘a_value:\n’, a_value)

​ print(‘b_value:\n’, b_value)

​ print(‘c_value:\n’, c_value)

if name == ‘main’:

variable_demo()

*命名空间的目的，为了让代码模块化*

variable_demo():

‘’’

变量的演示

‘’’

with tf.variable_scope(‘my_score’):

​ a = tf.Variable(initial_value=50)

​ b = tf.Variable(initial_value=40)

with tf.variable_scope(‘your_score’):

​ c = tf.add(a, b)

print(‘a:\n’, a)

print(‘b:\n’, b)

print(‘c:\n’, c)

# 初始化变量

init = tf.global_variables_initializer()

# 开启会话

with tf.Session() as sess:

​ #运行初始化

​ sess.run(init)

​ a_value, b_value, c_value = sess.run([a,b,c])

​ print(‘a_value:\n’, a_value)

​ print(‘b_value:\n’, b_value)

​ print(‘c_value:\n’, c_value)

if name == ‘main’:

variable_demo()

*命名空间的目的，为了让代码模块化*