Tensorflow基础 Tensorflow基本操作（二）

原创于 2022-11-06 17:40:00 发布 · 306 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #python #深度学习

深度学习专栏收录该内容

63 篇文章

订阅专栏

本文介绍了使用TensorFlow进行张量的基本操作，包括张量的生成、类型转换、形状变化等核心内容。通过实例展示了如何创建不同类型的张量，如全零张量、全一张量、随机张量，并演示了张量类型转换的方法及占位符的使用。此外，还详细解释了张量形状的静态和动态调整技巧。

部署运行你感兴趣的模型镜像

生成张量

import tensorflow as tf

# 创建值全为0的张量
tensor_zeros = tf.zeros(shape=[2, 3],  # 两行三列
                       dtype="float32")  # 类型

# 创建值全为1的张量

tensor_ones = tf.ones(shape=[2, 3], dtype="float32")
# 创建正态分布随机张量
tensor_nd = tf.random_normal(shape=[10],  # 一维
                             mean=1.7,  # 中位数
                             stddev=0.2,  # 标准差为0.2
                             dtype="float32")  # 数据类型
# 创建形状和tensor_ones一样，值全为0的张量
tensor_zeros_like = tf.zeros_like(tensor_ones)

with tf.Session() as sess:
    print(tensor_zeros.eval())  # eval表示session中执行计算
    print(tensor_ones.eval())
    print(tensor_nd.eval())
    print(tensor_zeros_like.eval())

张量类型转换

张量类型转换示例

import tensorflow as tf

# 张量类型转换

# 创建值全为1的张量

tensor_ones = tf.ones(shape=[2, 3], dtype="float32")
tensor_float = tf.constant([1.1, 2.2, 3.3])

with tf.Session() as sess:
    print(tf.cast(tensor_ones, tf.float32).eval())  # 将tensor_ones转换成浮点型并打印
    # print(tf.cast(tensor_float, tf.string).eval()) #不允许直接转换为字符串

占位符

占位符的使用：占位符使用时，必须传入参数

import tensorflow as tf

# 定义两个占位符
plhd = tf.placeholder(tf.float32, [2, 3])  # 定义2行3列的占位符
plhd2 = tf.placeholder(tf.float32, [None, 3])  # N行3列的占位符
plhd3 = tf.placeholder(tf.float32, [None, 4])
with tf.Session() as sess:
    d = [[1, 2, 3],
         [4, 5, 6]]
    print(sess.run(plhd, feed_dict={plhd: d}))  # 执行占位符操作，需要传入数据 喂入一个字典
    print(sess.run(plhd2, feed_dict={plhd2: d}))  # 定义为N行3列，执行时传入2行3列
    # print(sess.run(plhd3, feed_dict={plhd3: d}))  # 定义为N行4列，执行时传入2行3列

张量形状的改变

设置张量的静态形状

import tensorflow as tf

# 张量形状改变
# 静态形状：初始形状，只能设置一次，不能跨阶设置
# 动态形状：运行时的形状，可以多次设置，可以跨阶设置，但元素总数要一致

import tensorflow as tf

pld = tf.placeholder(tf.float32, [None, 3])
pld.set_shape([4, 3])  # 设置静态形状，一旦固定就不能再改变
print(pld)
# pld.set_shape([3, 3])  # 报错
with tf.Session() as sess:
    pass

设置张量的动态形状

import tensorflow as tf

# 张量形状改变
# 静态形状：初始形状，只能设置一次，不能跨阶设置
# 动态形状：运行时的形状，可以多次设置，可以跨阶设置，但元素总数要一致

import tensorflow as tf

pld = tf.placeholder(tf.float32, [None, 3])
pld.set_shape([4, 3])  # 设置静态形状，一旦固定就不能再改变
print(pld)
new_pld = tf.reshape(pld, [3, 4])  # 设置动态性状
print(new_pld)
# pld.set_shape([3, 3])  # 报错
with tf.Session() as sess:
    pass

改变动态张量形状

import tensorflow as tf

# 张量形状改变
# 静态形状：初始形状，只能设置一次，不能跨阶设置
# 动态形状：运行时的形状，可以多次设置，可以跨阶设置，但元素总数要一致

import tensorflow as tf

pld = tf.placeholder(tf.float32, [None, 3])
pld.set_shape([4, 3])  # 设置静态形状，一旦固定就不能再改变
print(pld)
new_pld = tf.reshape(pld, [3, 4])  # 设置动态性状
print(new_pld)
new_pld = tf.reshape(pld, [2, 6])  # 多次设置动态形状
print(new_pld)
# new_pld = tf.reshape(pld, [2, 4])  # 报错，元素的个数不匹配
# pld.set_shape([3, 3])  # 报错
with tf.Session() as sess:
    pass