TensorFlow2 数据操作基础

Posted 2021-06-25 我是小白呀

TensorFlow2 数据操作基础

• 概述
• 创建数据
• • 创建常量
  • 创建数据序列
  • 创建图变量
  • tf.zeros
  • tf.ones
  • tf.zeros_like
  • tf.ones_like
  • tf.fill
  • tf.gather
• tf.random
• • 正态分布
  • 均匀分布
  • 打乱顺序
• 获取数据信息
• • 获取数据维度
  • 数据是否为张量
• 数据转换
• • 转换成张量
  • 转换数据类型
  • 转换成 numpy

概述

TensorFlow2 的基本操作和 Numpy 的操作很像. 今天带大家来看一看 TensorFlow 的基本数据操作.

创建数据

详细讲解一下 TensorFlow 创建数据的集中方法.

创建常量

tf.constant() 格式为:

tf.constant(value，dtype，shape，name)

参数:

• value: 常量值
• dtype: 数据类型
• shape: 表示生成常量数的维度
• name: 数据名称

例子:

# 创建常量1
c1 = tf.constant(1)
print(c1)

# 创建常量, 类型为bool
c2 = tf.constant([True, False])
print(c2)

# 创建常量1, 类型为float32, 大小为3*3
c3 = tf.constant(0.1, shape=[2, 2])
print(c3)

# 创建常量, 类型为string字符串
c4 = tf.constant("Hello World!")
print(c4)

输出结果:

# 创建常量1
c1 = tf.constant(1)
print(c1)

# 创建常量, 类型为bool
c2 = tf.constant([True, False])
print(c2)

# 创建常量1, 类型为float32, 大小为3*3
c3 = tf.constant(0.1, shape=[2, 2])
print(c3)

# 创建常量, 类型为string字符串
c4 = tf.constant("Hello World!")
print(c4)

创建数据序列

格式:

range(start, limit, delta=1, dtype=None, name='range')

参数:

• start: 开始位置
• limit: 序列的上限
• delta: 相当于 Numpy 的 step, 步长
• detype: 数据类型
• name: 数据名称, 默认为 “range”

例子:

# 创建数字序列
r1 = tf.range(4)
print(r1)

输出结果:

tf.Tensor([0 1 2 3], shape=(4,), dtype=int32)

创建图变量

格式:

tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)

参数:

参数名称	参数类型	参数含义
initial_value	所有可以转换为 Tensor 的类型	变量的初始值
trainable	bool	如果为 True, 会把它加入到 GraphKeys.TRAINABLE_VARIABLES, 才能对它使用 Optimizer
collections	list	指定该图变量的类型, 默认为 [GraphKeys.GLOBAL_VARIABLES]
validate_shape	bool	如果为 False, 则不进行类型和维度检查
name	string	数据名称

例子:

# 创建图变量
v1 = tf.Variable(tf.range(6))
print(v1)
print(isinstance(v1, tf.Tensor))  # False
print(isinstance(v1, tf.Variable))  # True
print(tf.is_tensor(v1))  # True

输出结果:

False
True
True

tf.zeros

tf.zeros 可以帮助我们创建一个所有参数为 0 的 tensor 对象. 类似于 np.zeros.

格式:

tf.zeros(shape, dtype=tf.dtypes.float32, name=None)

参数:

• shape: 数组的形状
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# 创建参数为0的tensor
z1 = tf.zeros([1])
print(z1)

z2 = tf.zeros([3, 3])
print(z2)

输出结果:

tf.Tensor([0.], shape=(1,), dtype=float32)
tf.Tensor(
[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]], shape=(3, 3), dtype=float32)

tf.ones

tf.ones 用法和 tf.zeros 一样, 可以帮助我们创建一个所有参数为 1 的 tensor 对象.

tf.ones(shape, dtype=tf.dtypes.float32, name=None)

参数:

• shape: 数组的形状
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# 创建参数为1的tensor
o1 = tf.ones([1])
print(o1)

o2 = tf.ones([3, 3])
print(o2)

输出结果:

tf.Tensor([1.], shape=(1,), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]], shape=(3, 3), dtype=float32)

tf.zeros_like

tf.zeros_like 可以帮我们创建一个与给定 tensor 类型大小一致的 tensor. 类似 np.zeros_like.

格式:

tf.zeros_like(tensor, dype=None, name=None)

参数:

• tensor: 传入的 tensor
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# tf.zeros_like
t1 = tf.range(6)
z1 = tf.zeros_like(t1)
print(z1)

输出结果:

tf.Tensor([0 0 0 0 0 0], shape=(6,), dtype=int32)

tf.ones_like

格式:

tf.ones_like(tensor, dype=None, name=None)

参数:

• tensor: 传入的 tensor
• dype: 数据类型, 默认为 float32
• name: 数据名称

例子:

# tf.ones_like
t1 = tf.range(6)
o1 = tf.ones_like(t1)
print(o1)

输出结果:

tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int32)

tf.fill

tf.fill 可以帮助我们创建一个指定形状和内容的 tensor.

格式:

tf.fill(shape, value, name=None)

参数:

• shape: 数组的形状
• value: 填充的值
• name: 数据名称

例子:

# tf.fill
f1 = tf.fill([2, 2], 0)
print(f1)

f2 = tf.fill([3, 3], 6)
print(f2)

输出结果:

[[0 0]
 [0 0]], shape=(2, 2), dtype=int32)
tf.Tensor(
[[6 6 6]
 [6 6 6]
 [6 6 6]], shape=(3, 3), dtype=int32)

tf.gather

tf.gather: 根据索引从参数轴收集切片.

格式:

tf.gather(
    params, indices, validate_indices=None, axis=None, batch_dims=0, name=None
)

参数:

• params: 传入的张量
• indices: A Tensor. types 必须是: int32, int64. 里面的每一个元素大小必须在 [0, params.shape[axis]) 范围内
• axis: 维度, 默认为 0

例子:

input =[ [[[1, 1, 1], [2, 2, 2]],
         [[3, 3, 3], [4, 4, 4]],
         [[5, 5, 5], [6, 6, 6]]],
 
         [[[7, 7, 7], [8, 8, 8]],
         [[9, 9, 9], [10, 10, 10]],
         [[11, 11, 11], [12, 12, 12]]],
 
        [[[13, 13, 13], [14, 14, 14]],
         [[15, 15, 15], [16, 16, 16]],
         [[17, 17, 17], [18, 18, 18]]]
         ]
output=tf.gather(input, [0,2],axis=0)

输出结果:

tf.Tensor(
[[[[ 1  1  1]
   [ 2  2  2]]

  [[ 3  3  3]
   [ 4  4  4]]

  [[ 5  5  5]
   [ 6  6  6]]]


 [[[13 13 13]
   [14 14 14]]

  [[15 15 15]
   [16 16 16]]

  [[17 17 17]
   [18 18 18]]]], shape=(2, 3, 2, 3), dtype=int32)

tf.random

正态分布

tf.random.normal 可以帮我们创建随机数服从正态分布.

格式:

tf.random.normal(
    shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32, seed=None, name=None
)

参数:

• shape: 张量的形状
• mean: 正态分布的均值, 默认为 0.0
• stddev: 正态分布的标准差, 默认为 1.0
• dtype: 数据类型, 默认为 float32
• seed: 随机数种子
• name: 数据名称

例子:

# tf.normal
n1 = tf.random.normal([2, 2], mean = 1, stddev=1, seed=0)
print(n1)

输出结果:

tf.Tensor(
[[0.60084236 3.1044393 ]
 [1.1710722  1.5465181 ]], shape=(2, 2), dtype=float32)

均匀分布

tf.random.uniform 可以帮我们创建随机数服从均匀分布.
格式:

tf.random.uniform(
    shape, minval=0, maxval=None, dtype=tf.dtypes.float32, seed=None, name=None
)

参数:

• shape: 张量的形状
• minval: 均匀分布的最小值, 默认为 0
• maxvak: 均匀分布的最大值
• dtype: 数据类型, 默认为 float32
• seed: 随机数种子
• name: 数据名称

例子:

# tf.uniform
u1 = tf.random.uniform([2, 2], minval=0, maxval=1)
print(u1)

输出结果:

tf.Tensor(
[[0.7382153  0.6622821 ]
 [0.22840345 0.09706533]], shape=(2, 2), dtype=float32)

打乱顺序

tf.random.shuffle 可以帮助我们打乱张量的顺序.

格式:

tf.random.shuffle(
    value, seed=None, name=None
)

参数:

• value: 要被打乱的张量
• seed: 随机数种子
• name: 数据名称

例子:

# tf.shuffle
s1 = tf.random.shuffle(tf.range(10))
print(s1)

输出结果:

tf.Tensor([1 7 3 9 2 6 8 5 4 0], shape=(10,), dtype=int32)

获取数据信息

获取数据维度

tf.rank 的用法和 np.ndim 基本一样.

格式:

rank(input, name=None)  # 类似np.ndim

参数:

• input: 传入的张量
• name: 数据名称

例子:

# 获取张量维度
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print(tf.rank(t))

输出结果:

tf.Tensor(3, shape=(), dtype=int32)

数据是否为张量

格式:

tf.is_tensor(input)

参数:

• input: 传入的张量

例子:

# 判断是否为张量
a = tf.constant([1, 2, 3])
b = tf.constant([True, False, False])
c = tf.constant("Hello World")
d = np.arange(6)

print(a)
print(tf.is_tensor(a))

print(b)
print(tf.is_tensor(b))

print(c)
print(tf.is_tensor(c))

print(d)
print(tf.is_tensor(d))

输出结果:

tf.Tensor([1 2 3], shape=(3,), dtype=int32)
True
tf.Tensor([ True False False], shape=(3,), dtype=bool)
True
tf.Tensor(b'Hello World', shape=(), dtype=string)
True
[0 1 2 3 4 5]
False

数据转换

转换成张量

格式:

tf.convert_to_tensor(value, dtype=None, dtype_hint=None, name=None)

参数:

• value: 需要转换的值
• dtype: 数据类型
• dtype_hint: 当 dtype 为 None 时的备选方案
• name: 数据名称

例子:

# 转换成张量
array = np.arange(6)
print(array.dtype)

array_tf = tf.convert_to_tensor(array)
print(array_tf)

输出结果:

int32
tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32)

转换数据类型

格式:

cast(x, dtype, name=None)

参数:

• x: 输入的值
• dtype: 数据类型
• name: 数据名称

例子:

# 装换数据类型
array_tf = tf.constant(np.arange(6))
print(array_tf)

array_tf = tf.cast(array_tf, dtype=tf.float32)
print(array_tf)

tf_bool = tf.cast(tf.constant([False, True]), dtype=tf.int32)
print(tf_bool)

输出结果:

tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32)
tf.Tensor([0. 1. 2. 3. 4. 5.], shape=(6,), dtype=float32)
tf.Tensor([0 1], shape=(2,), dtype=int32)

转换成 numpy

例子:

# tensor转换成numpy
array_tf = tf.ones([2,2])
array_np = array_tf.numpy()
print(array_np)

输出结果:

[[1. 1.]
 [1. 1.]]