Tensorflow学习笔记----数据类型、创建tensor、索引切片

一．数据类型

List：对于list里面的数据没有类型限制，如[1 , 1.2 , ’hello’ , …]
np.array：能够很方便的存储大量数据的图片数据，不过不支持gpu计算、自动求导等。
tf.Tensor：没有上述两种的缺点。

• Tensor(广泛的概念):
  Scalar：标量，如1.1，是0维的数据，Dim=0
  Vector：向量，如[1.1] , [1.1,2.2,…]，是一维的，Dim=1
  Matrix：矩阵，如[[1.1,2.2],[3.3,4.4],[5.5,6.6]]是一个2×3的矩阵，是二维的，Dim=2
  Tensor：维度大于二，Dim>2，不过我们一般也可以把上面所有的叫做tensor，即在Tensorflow中，所有的数据都叫做tensor。它支持的基础数据类型有：
  int, float, double
  bool
  String

Constant就是创建一个普通的tensor对象；括号中为1，则就是整型的1；括号中为1.，则就是浮点型的1；

.device：返回当前tensor对象所在设备
.numpy()：返回对象在numpy下的定义
.ndim: 返回对象的dim维度
.rank(): 返回对象的维度，以tensor的形式表示
.is_tensor(a)：返回a是否是tensor

tf.Convert_to_tensor:将numpy对象转换成tensor对象
tf.cast: tensor 对象之间类型转换

Bool 与int 互相转：

一个tensor对象可以被包装成variable对象，一个variable对象具有可求导等属性。
trainable : 表示是否可训练。含义有是否记录梯度信息，是否可求导。

Numpy：tensor对象转numpy对象
Int、float：将tensor对象转成numpy对象的标量值

二．创建Tensor

• tf.convert_to_tensor(
  value,
  dtype=None,
  name=None,
  preferred_dtype=None
  )：该函数将各种类型的Python对象转换为Tensor对象。它接受张量对象、数字数组、Python列表和Python标量。

各种创建tensor的方法如下所示，代码注释中标明了各函数作用：
tf.convert_to_tensor()
tf.zeros([])
tf.zeros_like(a)
tf.random.normal()
tf.random.uniform()
tf.random.shuffle()

print(tf.convert_to_tensor(np.ones([2,3]))) #生成数组
#out:tf.Tensor(
#    [[1. 1. 1.]
#    [1. 1. 1.]], shape=(2, 3), dtype=float64)

#注意：这里的[2,3]，在convert_to_tensor的理解就是表示shape，是一个2行3列
#而数组[[1,2],[3,4]]的的data就是[[1,2],[3,4]]，而它的shape为[2,2]，表示2行2列

print(tf.convert_to_tensor(np.zeros([2,3]))) #生成全0数组
#out:tf.Tensor(
#    [[0. 0. 0.]
#     [0. 0. 0.]], shape=(2, 3), dtype=float64)

print(tf.convert_to_tensor([1,2]))  #list转换为tensor形式，一维长度为2
#out:tf.Tensor([1 2], shape=(2,), dtype=int32)

print(tf.convert_to_tensor([1,2.]))  #还可以自动匹配类型
#out:<tf.Tensor: id=4, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

print(tf.zeros([])) #初始化为0
#out:tf.Tensor(0.0, shape=(), dtype=float32)

print(tf.zeros([2,3,3])) #初始化一个值为0的，形状如下的
#out: tf.Tensor(
# [[[0. 0. 0.]
#   [0. 0. 0.]
#   [0. 0. 0.]]
#
#  [[0. 0. 0.]
#   [0. 0. 0.]
#   [0. 0. 0.]]], shape=(2, 3, 3), dtype=float32)

a = tf.zeros([2,3,3])
print(tf.zeros_like(a))
print(tf.zeros(a.shape))
#上述两个写法输出是相同的，都是输出一个与a形状相同但是值全为0的数组

#同样，可以初始化全为1,与上述同样用法
#也可以使用如下fill()方法，直接设定初始化的值和shape
print(tf.fill([2,3],9))
#out: tf.Tensor(
# [[9 9 9]
#  [9 9 9]], shape=(2, 3), dtype=int32)


#随机初始化.random.normal()
print(tf.random.normal([2,2],mean=1,stddev=1))
#mean：均值，stddev：方差；若是不指定这两个参数的话，就是一个标准的正态分布
#out: tf.Tensor(
# [[0.15135801 0.11397684]
#  [2.2785785  3.1513007 ]], shape=(2, 2), dtype=float32)
print(tf.random.truncated_normal([2,2],mean=0,stddev=1))
#截断的正态分布

print(tf.random.uniform([2,2],minval=0,maxval=1))#均匀分布，范围：0~1
#out: tf.Tensor(
# [[0.5758002  0.84875727]
#  [0.28111458 0.21054292]], shape=(2, 2), dtype=float32)

a = tf.range(10)
print(tf.random.shuffle(a))#随机打散

三．索引与切片（对tensor部分数据进行读取）
基础索引：直接对每个维度的index进行定义
通过numpy就不需要每个维度都写[]，只需要每个维度之间用逗号连接；
代码举例：

#通过索引取值,tensorflow方法:
a = tf.ones([1,5,5,3])
print(a[0][0])
#out：tf.Tensor(
# [[1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]], shape=(5, 3), dtype=float32)#是一个5*3的矩阵，即后两位

print(a[0][0][0])
#tf.Tensor([1. 1. 1.], shape=(3,), dtype=float32)   #就是第0行的结果

print(a[0][0][0][2])
#out:tf.Tensor(1.0, shape=(), dtype=float32)    #就是第3个元素 1.0

#通过索引取值,numpy方法:
a = tf.random.normal([4,28,28,3])

print(a[1].shape)   #得到第一个维度元素的shape，等同于a[1,:,:,:].shape
#out:(28, 28, 3)

print(a[1,2].shape) #numpy风格：维度之间只需要逗号分隔
#out:(28, 3)

**切片：**第一个元素index为0,它的index可以正着计数，也可以倒着计数，倒着的话最后一个元素index为-1；

[a:b]：a为切片的起始位置，b为切片的末端位置，输出包含a不包含b；
代码举例：

a = tf.range(10)
#tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)，
print(a[-1:])   #out:tf.Tensor([9], shape=(1,), dtype=int32)，即为从-1元素开始到末尾，这里的index=-1就是最后一个元素 9
print(a[-2:])   #out:tf.Tensor([8 9], shape=(2,), dtype=int32),从倒数第二个元素到最后一个元素
print(a[2:])    #out:tf.Tensor([2 3 4 5 6 7 8 9], shape=(8,), dtype=int32)，从index=2的元素到最后一个元素
print(a[:2])    #out:tf.Tensor([0 1], shape=(2,), dtype=int32)，从第一个元素(index=0)到index=2的元素2(不包括)
print(a[:-1])   #out:tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32，不包括index=-1的元素9

[a: b:-1]:第三位为负则为逆序采样，且从末尾开始数为a到b,-2就需要每两个数采一个，-3即为每三个数采一个；
代码举例：

a = tf.range(4)
#tf.Tensor([0 1 2 3], shape=(4,), dtype=int32)
print(a[::-1])  #out:tf.Tensor([3 2 1 0], shape=(4,), dtype=int32)
print(a[::-2])  #out:tf.Tensor([3 1], shape=(2,), dtype=int32)
print(a[2::-2])  #out:tf.Tensor([2 0], shape=(2,), dtype=int32)

tf.gather：按照特定顺序采样，代码如下：

#data:[classes,students,subjects] = [4,35,8]
a = tf.ones([4,35,8])
print(tf.gather(a,axis=0,indices=[2,3]).shape)  #out:(2, 35, 8):在第0维采样2个，其他维全采样
#数据源：a；维度axis：0；索引号indices=[2,3]==>即在a中的0维上查找index=2和index=3的数据
print(tf.gather(a,axis=0,indices=[2,1,3,0]).shape)   #out:(4, 35, 8):在第0维采样4个，其他维全采样
#按照indices中的顺序采样
print(tf.gather(a,axis=1,indices=[2,3,7,16,9]).shape)   #out:(4, 5, 8):在第1维采样5个，其他维全采样
#按照indices中的顺序采样

tf.gather_nd：按照特定维度采样

print(tf.gather_nd(a,[0]).shape)  #out:(35, 8)
print(tf.gather_nd(a,[0,1]).shape)  #out:(8,)

print(tf.gather_nd(a,[0,0],[1,1]).shape) #对第0个教室的第0个学生和第1个教室的第1个学生进行采样。
#out:(2,8):采到的是2个学生，每个学生有8门课

print(tf.gather_nd(a,[0,0,0],[1,1,1],[2,2,2]).shape) #对第0个教室的第0个学生的第0门课进行采样
#out:(3):采到的是三个学生的三门课，一共3门课