【TF2.0】【笔记】Tensorflow2.0数据类型基础

最新推荐文章于 2022-12-08 18:50:09 发布

原创

最新推荐文章于 2022-12-08 18:50:09 发布 · 2k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#python #tensorflow #深度学习 #机器学习 #人工智能

tensorflow 基础

数据类型

数值

在 TensorFlow 中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数(Dimension)和形状自行判断.

与标量不同，向量的定义须通过 List 类型传给 tf.constant()。创建一个元素的向量

标量

t2 = tf.constant(1, dtype=tf.int32)

向量

t3 = tf.constant([1,2,3,4], dtype=tf.float32)

矩阵

t4 = tf.constant([[1, 2],[3, 4]], dtype=tf.float64)

张量

t5 = tf.constant([[[1, 2], [3, 4]],[[5, 6], [7, 8]]])
t6 = tf.constant([[[[1, 2], [3, 4]],[[5, 6], [7, 8]]],[[[1, 2], [3, 4]],[[5, 6], [7, 8]]]])

字符串

ts1 = tf.constant('Hello World', dtype=tf.string)
ts2 = tf.strings.lower(ts1)

布尔

tb1 = tf.constant(True)
tb2 = tf.constant([True, False])
tb3 = tf.constant(True, dtype=tf.int32)

数值精度

常用的精度类型有tf.int16, tf.int32, tf.int64, tf.float16, tf.float32, tf.float64，其中 tf.float64 即为 tf.double。

对于大部分深度学习算法，一般使用 tf.int32, tf.float32 可满足运算精度要求，部分对精度要求较高的算法，如强化学习，可以选择使用 tf.int64, tf.float64 精度保存张量。

pi1 = tf.constant(np.pi, dtype=tf.float32)
pi2 = tf.constant(np.pi, dtype=tf.float64)
if pi1.dtype != tf.float64 :
	pi3 = tf.cast(pi1, tf.tf.float64)

results:

tf.Tensor(3.1415927, shape=(), dtype=float32)
tf.Tensor(3.141592653589793, shape=(), dtype=float64)
tf.Tensor(3.1415927410125732, shape=(), dtype=float64)

可以看到转换后数值不一致的，也不是零

待优化张量

通过tf.Variable()函数可以将普通张量转换为待优化张量

张量的 name 和 trainable 属性是 Variable 特有的属性，name 属性用于命名计算图中的

变量，这套命名体系是 TensorFlow 内部维护的，一般不需要用户关注 name 属性；trainable

表征当前张量是否需要被优化，创建 Variable 对象是默认启用优化标志，可以设置

trainable=False 来设置张量不需要优化

var1 = tf.Variable([1, 2, 3, 4],dtype=tf.float32, name='Test_var1')
var2 = tf.Variable([1, 2, 3, 4],dtype=tf.float32, name='Test_var2', trainable=False)
print(var1)
print(var2.trainable)
print(var1.numpy())