鄱阳湖水怪,大蒜检测地沟油,等爱走了以后吉他谱
tensorflow2.0版本已经发布，虽然不是正式版，但预览版都发布了，正式版还会远吗？相比于1.x，2.0版的tensorflow修改的不是一点半点，这些修改极大的弥补了1.x版本的反人类设计，提升了框架的整体易用性，绝对好评！
不多说了，赶紧来学习一波吧，做最先吃螃蟹的那一批人！先从tensorflow的基本数据结构——张量（tensor）开始。
>>> import tensorflow as tf >>> tf.constant(1) # 创建一个整型张量 <tf.tensor: id=414, shape=(), dtype=int32, numpy=1> >>> tf.constant(1.) # 创建一个浮点型张量 <tf.tensor: id=416, shape=(), dtype=float32, numpy=1.0> >>> tf.constant(2., dtype=tf.double) # 创建的同时指定数据类型 <tf.tensor: id=418, shape=(), dtype=float64, numpy=2.0> >>> tf.constant([[1.,2.,3.],[4.,5.,6.]]) # 通过传入一个list参数创建 <tf.tensor: id=420, shape=(2, 3), dtype=float32, numpy= array([[1., 2., 3.], [4., 5., 6.]], dtype=float32)>
如果输入的数据与指定的数据类型不相符，会报错：
>>> tf.constant(2.1, dtype=tf.int32) traceback (most recent call last): …… typeerror: cannot convert provided value to eagertensor. provided value: 2.1 requested dtype: int32
>>> tf.convert_to_tensor(np.ones([2, 3])) >>> import numpy as np >>> tf.convert_to_tensor(np.ones([2, 3])) <tf.tensor: id=0, shape=(2, 3), dtype=float64, numpy= array([[1., 1., 1.], [1., 1., 1.]])> convert_to_tensor()方法也接收普通list类型作为参数来转换为tensor类型： >>> tf.convert_to_tensor([[2.,3.],[3., 4.]]) <tf.tensor: id=2, shape=(2, 2), dtype=float32, numpy= array([[2., 3.], [3., 4.]], dtype=float32)>
如果你熟悉numpy创建数组的方法，你一定见过zeros()、ones()等方法，tensorflow中也有这些方法。
zeros()、ones()、zeros_like()、ones_like()、fill()：
>>> tf.zeros([2, 3, 3]) # 创建一个元素全为0，形状为[2, 3, 3]的tensor <tf.tensor: id=10, shape=(2, 3, 3), dtype=float32, numpy= array([[[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]], [[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]]], dtype=float32)> >>> tf.ones([2, 3]) # 创建一个元素全为1，形状为[2, 3]的tensor <tf.tensor: id=14, shape=(2, 3), dtype=float32, numpy= array([[1., 1., 1.], [1., 1., 1.]], dtype=float32)> >>> tf.zeros_like(a) # 仿照a的shape创建一个全为0的tensor <tf.tensor: id=19, shape=(2, 3), dtype=float32, numpy= array([[0., 0., 0.], [0., 0., 0.]], dtype=float32)> >>> b = tf.zeros([2, 3, 3]) >>> tf.ones_like(b) # 仿照b的shape创建一个全为1的tensor <tf.tensor: id=30, shape=(2, 3, 3), dtype=float32, numpy= array([[[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]], [[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]], dtype=float32)> >>> tf.fill([2,3],5) # 创建爱元素全为5，形状为[2,3]的tensor <tf.tensor: id=34, shape=(2, 3), dtype=int32, numpy= array([[5, 5, 5], [5, 5, 5]])>
在实际应用中，经常需要随机初始化元素服从某种分布的tensor，tensorflow中也提供了这种功能。
（1）从指定正态分布中随机取值：tf.random.normal()。例如，随机初始化一个元素服从均值为1，方差为1的正态分布且形状为[2, 3]的tensor：
>>> tf.random.normal([2, 3], mean=1, stddev=1)
<tf.tensor: id=41, shape=(2, 3), dtype=float32, numpy=
array([[-1.7992694 , 1.7001245 , 1.4642581 ],
[ 0.43032944, 0.76772875, 1.4315588 ]], dtype=float32)>
tf.random.normal()在默认情况下，均值为0.0，方差为1.0，第一个参数shape为必传参数。
（2）从指定的截断正态分布中随机取值：truncated_normal()。意思是从指定的正太分布中取值，但是取值范围在两个标准差范围内，也就是：[ mean - 2 * stddev, mean + 2 * stddev ]
>>> tf.random.truncated_normal([2, 3], mean=1, stddev=1) <tf.tensor: id=48, shape=(2, 3), dtype=float32, numpy= array([[-0.40271735, 1.406056 , 1.3271518 ], [ 0.7627655 , 0.70162296, 0.5711335 ]], dtype=float32)>
（3）从指定均匀分布中随机取值：tf.random.uniform()。
>>> tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布 <tf.tensor: id=56, shape=(2, 3), dtype=float32, numpy= array([[1.3824016, 1.6685069, 1.1284984], [1.4562235, 1.9348056, 1.7280834]], dtype=float32)>
下面所有的索引都以一下张量a为例进行演示：
>>> a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5)) >>> a <tf.tensor: id=113, shape=(2, 2, 4, 5), dtype=int32, numpy= array([[[[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]], [[20, 21, 22, 23, 24], [25, 26, 27, 28, 29], [30, 31, 32, 33, 34], [35, 36, 37, 38, 39]]], [[[40, 41, 42, 43, 44], [45, 46, 47, 48, 49], [50, 51, 52, 53, 54], [55, 56, 57, 58, 59]], [[60, 61, 62, 63, 64], [65, 66, 67, 68, 69], [70, 71, 72, 73, 74], [75, 76, 77, 78, 79]]]])>
tensorflow支持python原生的基础索引方式，即多个方括号逐步索引取值：[idx][idx][idx]，每个方括号对应一个维度。
>>> a[0] # 取第一个维度 <tf.tensor: id=118, shape=(2, 4, 5), dtype=int32, numpy= array([[[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]], [[20, 21, 22, 23, 24], [25, 26, 27, 28, 29], [30, 31, 32, 33, 34], [35, 36, 37, 38, 39]]])> >>> a[0][1] # 同时筛选两个维度 <tf.tensor: id=127, shape=(4, 5), dtype=int32, numpy= array([[20, 21, 22, 23, 24], [25, 26, 27, 28, 29], [30, 31, 32, 33, 34], [35, 36, 37, 38, 39]])> >>> a[0][1][3][3] # 同时对4个维度进行筛选 <tf.tensor: id=144, shape=(), dtype=int32, numpy=38>
这种索引数据的方法简单，易于理解，但是可读性差，只能按维度依次索引数据，也不能索引列。
tensorflow也继承了numpy中的部分索引方式，如果对numpy索引方式不熟悉，可以查看我的前几篇博客（）：
（1）[idx1, idx2, idx3]
这种索引方式是在一个方括号内写下所有的索引，每个索引序号之间用逗号隔开。
>>> a[1] # 筛选第一维度，这跟基础索引一样 <tf.tensor: id=165, shape=(2, 4, 5), dtype=int32, numpy= array([[[40, 41, 42, 43, 44], [45, 46, 47, 48, 49], [50, 51, 52, 53, 54], [55, 56, 57, 58, 59]], [[60, 61, 62, 63, 64], [65, 66, 67, 68, 69], [70, 71, 72, 73, 74], [75, 76, 77, 78, 79]]])> >>> a[1,1, 3] # 同时帅选3个维度 <tf.tensor: id=175, shape=(5,), dtype=int32, numpy=array([75, 76, 77, 78,
（2）冒号切片与步长：[start:end:step]
这种索引方式在python原生的list类型中也是常见的，而且使用方法也是一样的。
>>> a[1,:,0:2] # 对第1维度选第二块数据，对第二维度选所有数据，对第三维度选前两行 <tf.tensor: id=180, shape=(2, 2, 5), dtype=int32, numpy= array([[[40, 41, 42, 43, 44], [45, 46, 47, 48, 49]], [[60, 61, 62, 63, 64], [65, 66, 67, 68, 69]]])> >>> a[1,:,0:2,0:4] # 继续上面的例子，对第4维度筛选去前4列 <tf.tensor: id=190, shape=(2, 2, 4), dtype=int32, numpy= array([[[40, 41, 42, 43], [45, 46, 47, 48]], [[60, 61, 62, 63], [65, 66, 67, 68]]])> >>> a[1,:,0:2,0:4:2] # 对第4维度加上步长，每隔一个数据取一次 <tf.tensor: id=200, shape=(2, 2, 2), dtype=int32, numpy= array([[[40, 42], [45, 47]], [[60, 62], [65, 67]]])>
也可以使用负值步长表示逆序索引，但要注意，负数步长时，原本的[start : end : step]也要跟着编程[end : start : step]：
>>> a[1,:,0:2,4:0:-1] <tf.tensor: id=245, shape=(2, 2, 4), dtype=int32, numpy= array([[[44, 43, 42, 41], [49, 48, 47, 46]], [[64, 63, 62, 61], [69, 68, 67, 66]]])> >>> a[1,:,0:2,4:0:-2] <tf.tensor: id=250, shape=(2, 2, 2), dtype=int32, numpy= array([[[44, 42], [49, 47]], [[64, 62], [69, 67]]])>
在numpy和tensorflow中还有“..."（三个英文句号）的使用，“..."用于表示连续多个维度全选：
>>> a[1,...,0:4] # 等同于a[1, : , : ,0:4] <tf.tensor: id=303, shape=(2, 4, 4), dtype=int32, numpy= array([[[40, 41, 42, 43], [45, 46, 47, 48], [50, 51, 52, 53], [55, 56, 57, 58]], [[60, 61, 62, 63], [65, 66, 67, 68], [70, 71, 72, 73], [75, 76, 77, 78]]])> >>> a[0,0,...] # 等同于a[0,0,:,:] <tf.tensor: id=351, shape=(4, 5), dtype=int32, numpy= array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]])>
gather与gather_nd是指tensorflow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中，可以通过嵌套list的方式来指定无规则的索引：
>>> b = np.arange(20).reshape(4,5) >>> b array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]]) >>> b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列 array([5, 8, 9]) >>> b[[1,2], [0,3,4]]
但是在tensorflow中，这种索引方式并没有从numpy中继承下来：
>>> t = tf.convert_to_tensor(b) >>> t <tf.tensor: id=253, shape=(4, 5), dtype=int32, numpy= array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]])> >>> t[1, [0,3,4]] traceback (most recent call last): …… typeerror: only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`none`) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]
还好的是，在tensorflow中通过gather()方法和gather_nd()方法提供了这种索引方法。
（1）gather()方法
>>> tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行 <tf.tensor: id=269, shape=(3, 5), dtype=int32, numpy= array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]])> >>> tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列 <tf.tensor: id=274, shape=(4, 3), dtype=int32, numpy= array([[ 0, 2, 3], [ 5, 7, 8], [10, 12, 13], [15, 17, 18]])>
仔细观察上面gather()方法例子，可以发现，第一个参数时数据源，还有两个参数中，axis指的是将要的维度，indices指的是需要选取的序号。
（2）gather_nd()
gather()方法一次只能对一个维度进行索引，gather_nd()方法可以同时对多个维度进行索引。
>>> tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据，和第4行第4列的数据 <tf.tensor: id=284, shape=(2,), dtype=int32, numpy=array([ 2, 18])>
numpy中的ndarray数组有个一reshape()方法，用来改变数组的shape，tensorflow中的reshape()方法，功能也是一样的，不过tensorflow中的reshape()没有绑定到tensor中：
>>> a = tf.ones([2,3,4]) >>> a.shape tensorshape([2, 3, 4]) >>> a <tf.tensor: id=359, shape=(2, 3, 4), dtype=float32, numpy= array([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]], dtype=float32)> >>> b = tf.reshape(a, [2, 2, 6]) >>> b.shape tensorshape([2, 2, 6]) >>> b <tf.tensor: id=362, shape=(2, 2, 6), dtype=float32, numpy= array([[[1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.]], [[1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.]]], dtype=float32)> >>> c = tf.reshape(a, [3, 2, 4]) >>> c <tf.tensor: id=365, shape=(3, 2, 4), dtype=float32, numpy= array([[[1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.]]], dtype=float32)>
可以看到，在上面的例子中，通过reshape()方法可以很方便的改变tensor的形状，得到一个新的tensor，需要注意的是在进行维度变换时，数据的重量是不变的，上面的例子无论是[2,3,4]， [2, 2, 6]还是[3, 2, 4]都对应总量24，如果对应不上，就会产生异常。
transpose()方法提供了一种类似于装置的操作：
>>> a = tf.constant([[1,2,3],[4,5,6]]) >>> a.shape tensorshape([2, 3]) >>> a = tf.constant([[1,2,3],[4,5,6]]) >>> a.shape tensorshape([2, 3]) >>> b = tf.transpose(a) >>> b.shape tensorshape([3, 2]) >>> b <tf.tensor: id=376, shape=(3, 2), dtype=int32, numpy= array([[1, 4], [2, 5], [3, 6]])>
在默认情况下，transpose()方法会将所有维度按逆序方式完全转置，当然也可以通过perm参数执行需要转置的维度：
>>> a=tf.constant([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]) >>> a <tf.tensor: id=378, shape=(2, 2, 3), dtype=int32, numpy= array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])> >>> b = tf.transpose(a) # 不指定perm参数时，相当于tf.transpose(a, perm=[2, 1, 0]) >>> b <tf.tensor: id=381, shape=(3, 2, 2), dtype=int32, numpy= array([[[ 1, 7], [ 4, 10]], [[ 2, 8], [ 5, 11]], [[ 3, 9], [ 6, 12]]])> >>> c = tf.transpose(a, perm=[2, 1, 0]) >>> c <tf.tensor: id=384, shape=(3, 2, 2), dtype=int32, numpy= array([[[ 1, 7], [ 4, 10]], [[ 2, 8], [ 5, 11]], [[ 3, 9], [ 6, 12]]])> >>> d = tf.transpose(a, perm=[0, 2, 1]) # 第一个维度不做变换，对第二、第三维度进行转置 >>> d <tf.tensor: id=387, shape=(2, 3, 2), dtype=int32, numpy= array([[[ 1, 4], [ 2, 5], [ 3, 6]], [[ 7, 10], [ 8, 11], [ 9, 12]]])>
>>> a=tf.constant([[1,2,3],[4,5,6]]) >>> a <tf.tensor: id=390, shape=(2, 3), dtype=int32, numpy= array([[1, 2, 3], [4, 5, 6]])> >>> tf.expand_dims(a, axis=0) <tf.tensor: id=396, shape=(1, 2, 3), dtype=int32, numpy= array([[[1, 2, 3], [4, 5, 6]]])> >>> tf.expand_dims(a, axis=1) <tf.tensor: id=399, shape=(2, 1, 3), dtype=int32, numpy= array([[[1, 2, 3]], [[4, 5, 6]]])> >>> tf.expand_dims(a, axis=-1) <tf.tensor: id=402, shape=(2, 3, 1), dtype=int32, numpy= array([[[1], [2], [3]], [[4], [5], [6]]])> >>> tf.expand_dims(a, axis=2) <tf.tensor: id=405, shape=(2, 3, 1), dtype=int32, numpy= array([[[1], [2], [3]], [[4], [5], [6]]])>
expand_dims()方法添加维度时，通过axis参数指定添加维度的位置，正数表示从前往后数，负数表示从后往前数。
squeeze()方法与expand_dims()方法作用刚好相反，其作用是删除张量中dim为1的维度：
>>> a = tf.ones([1,3,1,2]) >>> a <tf.tensor: id=410, shape=(1, 3, 1, 2), dtype=float32, numpy= array([[[[1., 1.]], [[1., 1.]], [[1., 1.]]]], dtype=float32)> >>> tf.squeeze(a) <tf.tensor: id=412, shape=(3, 2), dtype=float32, numpy= array([[1., 1.], [1., 1.], [1., 1.]], dtype=float32)>
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
Python 实现将numpy中的nan和inf,nan替换成对应的均值
python爬虫把url链接编码成gbk2312格式过程解析
我要评论
网友评论