[Tensorflow系列-3]：Tensorflow基础 - Hello World程序与张量（Tensor）概述

Posted 2021-09-04 文火冰糖的硅基工坊

 作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119580837

---

目录

1. 导入库及检查版本

2. Hello World

3. 基本数据单元

3.1 Tensorflow支持的数据结构

3.2 数据的类型：dtype=tf.xxx

3.3 数据内容: [[xx,xx], [xx,xx]]

3.4 数据运算的设备：device="xxx"

4. Tensor实例/样本创建概述

5. Tensor的成员

5.1 Tensor的公共属性

5.2 Tensor的公共操作

5.3 Tenosor的运算方法

---

---

1. 导入库及检查版本

import numpy as np
import tensorflow as tf

2. Hello World

print("Hello world")
print("tensorflow version:", tf.__version__)

3. 基本数据单元

3.1 Tensorflow支持的数据结构

（1）张量：tensor  (Torch定义了专门的结构）

从Python的List [ ]的数据结构 =》 Numpy.Array =》 Tensorflow的Tensor

• Python list：

数据元素可以是任意类型，数据元素的数据类型可以不相同。

• Numpy.Array：

Numpy数组元素的数据类型是相同的，且必须是数值类型，且通常是2维的，且支持在CPU上运行。

• Tensorflow Tensor：

与Numpy.array一样，Tensor中的元素的数据类型是必须相同的，与Numpy大体相同。

但Tensor在Numpy.array的基础上，进行了增强：

Tensor中的数据元素可以是任意维度的

Tensor可以支持在GPU上执行

支持自动求导等于深度学习相干的操作。

（2）变量：variable

Python的变量variable =》 深度学习框架的variable

深度学习框架定义了自己专有的variable变量，与Python的变量的区别是 深度学的variable用于存放升级网络的w和b的参数，是可以自动求导数的。

（3）神经网络：nn  (深度学习定义了专门用于神经网络的数据结构）

3.2 数据的类型：dtype=tf.xxx

3.3 数据内容: [[xx,xx], [xx,xx]]

数据的内容，以多维数组的形式[[xx,xx], [xx,xx]]提供给Tensor。

3.4 数据运算的设备：device="xxx"

4. Tensor实例/样本创建概述

与PyTroch不同的是，Tensorflow使用的不是Tensor类模板来创建张量，也没有使用专有的名字“tensor”，而是使用了constant这个专有名词。constant实际上是一个函数名，而不是类模板的名字。

5. Tensor的成员

5.1 Tensor的公共属性

• xxx.dtype：Tensor数据类型, int、float、？
• xxx.device：执行的处理器，CPU or GPU
• xxx.layout：内存布局，稀疏压缩存储和稠密非压缩存储。
• xxx.shape：张量的形状（维度）

（1）属性的读

#代码示例

#直接构建Tensor内容和维度，内容数据是确定的
a = tf.constant([[1,2],[3,4]]) 
print(a)

print("\\n读取tensor的属性")
print(a.device)
# print(a.layout)  #不支持
print(a.dtype)
# print(a.type)   #不支持
# print(a.type()) #不支持
# print(a.size)   #不支持
print(a.shape)

#输出结果

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

读取tensor的属性
/job:localhost/replica:0/task:0/device:CPU:0
<dtype: 'int32'>
(2, 2)

（2）属性的配

• 通过tensor函数进行配置

print("设置数据类型属性")
a = tf.constant([1,2,3], dtype=tf.float32)
print(a)
print (a.dtype)

输出：

设置数据类型属性
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32)
<dtype: 'float32'>

print("\\n设置tensor的device属性：")
a.cpu()  #设置device为CPU
print(a)
print(a.device)

输出： 

设置tensor的device属性：
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32)
/job:localhost/replica:0/task:0/device:CPU:0

print("\\n设置tensor的device属性：")
a.gpu()  #设置device为GPU
print(a)
print(a.device)

tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)
/job:localhost/replica:0/task:0/device:CPU:0

设置tensor的device属性：

.......

RuntimeError: GPU:0 unknown device.

备注：

由于没有安装GPU的环境，因此设置gpu device失败。

5.2 Tensor的公共操作

• type()： 如上图  
• size()： 如上图

5.3 Tenosor的运算方法

（1）使用重载后的Python运算符：+、-

（2）使用Torch提供的通用方法：tf.add、tf.sub......

（3）使用Tensor实例自带的成员函数xxx.add()、xxx.sub => 不修改tensor实例的值  # 不支持

（4）使用Tensor实例自带“in place”运算: xxx_add()、xxx.sub_=> 直接修改tensor实例的值

也就是说，要完成Tensor的某种运算，有很多种方法和手段。

但tensorflow而言，比Pytorch的运算方法要少，后两者方法在tensorflow中是不支持的。

# 代码示例：

a = tf.constant([1,2,3,4]) 
print(a)
b = tf.constant([5,6,7,8]) 
print(b)

print("\\n运算符法：")
c = a + b
print(c)

print("\\n全局函数法：")
c = tf.add(a,b)
print(c)

print("\\n成员函数法：")
# c = a.add(b)  # 不支持
#  print(c)

输出：

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

运算符法：
tf.Tensor([ 6  8 10 12], shape=(4,), dtype=int32)

全局函数法：
tf.Tensor([ 6  8 10 12], shape=(4,), dtype=int32)

成员函数法：

# tensorflow不支持

---

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119580837