TensorFlow学习笔记1(TensorFlow数据类型)

import tensorflow as tf
import numpy as np

TensorFlow数据类型

python里面有类型：list, np.array, tf.Tensor

list是python自带的类型，可以存储不同类型的data，但是整体不够高效；

np.array包含在numpy库里面，方便数据计算；

Tensor是tensorflow里面的类型，可以进行快速计算和求梯度等，tensor是基于向量和矩阵的推广，可以将标量视为0阶张量，向量视为1阶张量，矩阵视为2阶张量。

tensor的数据可以分为以下类型：int, float, double, bool, string

1.1 如何进行创建？

• 创建一个整型的tensor:

tf.constant(1)

• 创建一个浮点型的tensor:

tf.constant(1.)

• 创建一个bool型的tensor:

tf.constant([True, False])

• 创建一个string型的tensor:

tf.constant('hello, world.')

• 创建一个双精度浮点型的tensor:

tf.constant(2., dtype=tf.double)

1.2 Tensor的属性

tensor一般存储在GPU当中，numpy的变量一般存储在CPU当中，有些时候需要将得到的数据进行转换才能进一步进行计算。

#分别在cpu和gpu中创建两个tensor,默认是在gpu中创建
with tf.device("cpu"):
      a = tf.constant([1])
with tf.device("gpu"):
      b = tf.range(4)
	
#查看变量是存储在gpu还是cpu中
a.device
b.device

#相互转换
aa=a.gpu()
aa.device   #将cpu中的变量a转换为cpu中的aa， 然后查看

bb=b.cpu()
bb.device

#将tensor转换为numpy中的数据类型
b.numpy()

#查看数据维度（这两者有区别吗？）
b.ndim       #shape属性的长度（length）也既是它的ndim.
tf.rank(b)   #张量的秩与矩阵的秩不一样.张量的秩是唯一选择张量的每个元素所需的索引的数量.秩也被称为 “order”,“degree” 或 “ndims”.

tf.rank(tf.ones([3,4,2]))

1.3 查看数据类型

a=tf.constant([1.])
b=tf.constant([True, False])
c=tf.constant('hello, world.')
d=np.arange(4)

#判断是否是一个Tensor
isinstance(a, tf.Tensor)  #在一种情况会失效，后面会提到
tf.is_tensor(b)

a.dtype, b.dtype, c.dtype

a.dtype==tf.float32

c.dtype==tf.string

1.4 数据类型转化

• 转换数据类型, 将一个numpy转换为一个tensor, 可以用这种方式创建一个tensor

a=np.arange(5)

a.dtype

aa=tf.convert_to_tensor(a)
aa=tf.convert_to_tensor(a, dtype=tf.int32)

tf.cast(aa, dtype=tf.float32)
aaa=tf.cast(aa, dtype=tf.double)
tf.cast(aaa, dtype=tf.int32)     #tf.cast和tf.convert_to_tensor区别？tf.convert_to_tensor是将numpy转化为tensor,
                                 #tf.cast是转换tensor的dtype

• bool型和int型相互转换：

b=tf.constant([0,1])
tf.cast(b, dtype=tf.bool)

bb=tf.cast(b,dtype=tf.bool)
tf.cast(bb, tf.int32)

• tf.Variable是tensorflow中特有的数据类型，表示在训练神经网络时可以变化的变量，也就是不断求梯度进行迭代的变量。将一般的tensor进行转化为tf.Variable之后，具有了两个属性：trainable和name。

a=tf.range(5)

b=tf.Variable(a)
b.dtype
b.name

b=tf.Variable(a, name='input_data')  #可对tf.Variable重命名
b.name
b.trainable

isinstance(b, tr.Tensor)  #此时函数失效，返回false
isinstance(b, tr.Variable) #True
tf.is_tensor(b)  #True

• 转换为numpy数据：

a.numpy()
b.numpy()

a=tf.ones([])

a.numpy()  #将tensor转换为numpy
int(a)     #具有相同的功效，更常用
float(a)