记录一下，tensorflow的复习和tensorflow2.0的学习，首先是看看我们最为常用的一些tensor的操作方式，先是总结成为了思维导图，然后根据思维导图，强调一些常用的api。
1、常规的张量基础操作
张量的一些基础的操作
下面就是一些实际使用的例子
1、创建Tensor
采用list或者numpy array的方式生成tensor
In [1]: import tensorflow as tf
In [2]: import numpy as np
In [3]: tf.convert_to_tensor([[1,1],[1,1]])
Out[3]:
<tf.Tensor: id=0, shape=(2, 2), dtype=int32, numpy=array([[1, 1],[1, 1]], dtype=int32)>
In [4]: tf.convert_to_tensor(np.ones([2,2]))
Out[4]:
<tf.Tensor: id=2, shape=(2, 2), dtype=float64, numpy=
array([[1., 1.],
[1., 1.]])>
采用tf.ones、tf.zeros的方式生成，注意传入的shape。
In [5]: tf.ones([])
Out[5]: <tf.Tensor: id=4, shape=(), dtype=float32, numpy=1.0>
In [6]: tf.ones([1])
Out[6]: <tf.Tensor: id=8, shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>
In [7]: tf.ones([2,2,2])
Out[7]:
<tf.Tensor: id=12, shape=(2, 2, 2), dtype=float32, numpy=
array([[[1., 1.],
[1., 1.]],
[[1., 1.],
[1., 1.]]], dtype=float32)>
采用tf.ones_like、tf.zeros_like的方式创建tensor：
In [8]: t = tf.ones([2,2])
In [9]: tf.zeros_like(t)
Out[9]:
<tf.Tensor: id=17, shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
[0., 0.]], dtype=float32)>
采用tf.fill的方式创建：
In [10]: tf.fill([2,2],9)
Out[10]:
<tf.Tensor: id=21, shape=(2, 2), dtype=int32, numpy=
array([[9, 9],
[9, 9]], dtype=int32)>
随机的创建tensor，使用random下面的方法来完成我们的目的：
In [11]: tf.random.normal([3,3], mean=10, stddev=1)
Out[11]:
<tf.Tensor: id=28, shape=(3, 3), dtype=float32, numpy=
array([[10.522197, 9.101805, 10.785618],
[10.089577, 11.056175, 10.859367],
[ 8.939952, 10.882309, 10.458437]], dtype=float32)>
In [12]: tf.random.truncated_normal([3,3],mean=0,stddev=1)
Out[12]:
<tf.Tensor: id=35, shape=(3, 3), dtype=float32, numpy=
array([[ 0.27650222, 0.98030627, -0.08287273],
[ 0.8523224 , -0.84964395, -0.30538195],
[-0.8515796 , 0.13293248, 1.4719163 ]], dtype=float32)>
In [13]: tf.random.uniform([3,3],minval=0,maxval=10)
Out[13]:
<tf.Tensor: id=6, shape=(3, 3), dtype=float32, numpy=
array([[0.17660737, 0.19122243, 9.849804 ],
[4.9092007 , 6.591599 , 7.013088 ],
[0.95211625, 8.508183 , 2.331909 ]], dtype=float32)>
2、索引
data = [classes, students, subjects]
基础的索引就不记录，主要是说明一下选取式的索引方式：
In [14]: a = tf.random.normal([4,20,6])
In [15]: a.shape
Out[15]: TensorShape([4, 20, 6])
# 选取第一个和第二个学校
In [16]: tf.gather(a,axis=0,indices=[0,1]).shape
Out[16]: TensorShape([2, 20, 6])
# 选取第一个学生和第二个学生
In [17]: tf.gather(a,axis=1,indices=[0,1]).shape
Out[17]: TensorShape([4, 2, 6])
# 选取第一个科目和第二个科目
In [18]: tf.gather(a,axis=2,indices=[0,1]).shape
Out[18]: TensorShape([4, 20, 2])
# 选取第一个学校第一个学生和第二个学校及其第二个学生
In [19]: tf.gather_nd(a,[[0,0],[1,1]]).shape
Out[19]: TensorShape([2, 6])
# 同上面的道理
In [20]: tf.gather_nd(a,[[0,0,0],[1,1,1]]).shape
Out[20]: TensorShape([2])
In [21]: tf.boolean_mask(a, mask=[True, True, False, False]).shape
Out[21]: TensorShape([2, 20, 6])
In [22]: tf.boolean_mask(a, mask=[True, True, False, False,True, False],axis=2).shape
Out[22]: TensorShape([4, 20, 3])
3、Broadcasting
In [11]: b.shape
Out[11]: TensorShape([4, 20, 6])
In [12]: (b + tf.random.normal([6])).shape
Out[12]: TensorShape([4, 20, 6])
In [13]: (b + tf.random.normal([4,1,6])).shape
Out[13]: TensorShape([4, 20, 6])
In [14]: (b + tf.random.normal([1,1,6])).shape
Out[14]: TensorShape([4, 20, 6])
4、维度变换
In [24]: a.ndim
Out[24]: 3
In [25]: tf.reshape(a,[4,-1]).shape
Out[25]: TensorShape([4, 120])
In [26]: tf.transpose(a)
Out[26]: TensorShape([6, 20, 4])
通过tf.expand_dims给tensor增加一个维度
In [27]: a.shape
Out[27]: TensorShape([4, 20, 6])
In [28]: tf.expand_dims(a,axis=0).shape
Out[28]: TensorShape([1, 4, 20, 6])
In [29]: tf.expand_dims(a,axis=-1).shape
Out[29]: TensorShape([4, 20, 6, 1])
In [30]: tf.expand_dims(a,axis=2).shape
Out[30]: TensorShape([4, 20, 1, 6])
In [31]: tf.expand_dims(a,axis=-2).shape
Out[31]: TensorShape([4, 20, 1, 6])
通过tf.squeeze来挤压到维度只为1的那个维度
In [32]: b = tf.random.normal([4,28,28,1])
In [33]: b.shape
Out[33]: TensorShape([4, 28, 28, 1])
In [34]: tf.squeeze(b).shape
Out[34]: TensorShape([4, 28, 28])
5、数学运算
In [35]: a = tf.fill([2,2], 1.)
In [36]: b = tf.reshape(tf.range(4,dtype=tf.float32),[2,2])
In [37]: a+b, a-b, a*b, b/a, b//a, b%a
Out[37]:
(<tf.Tensor: id=59, shape=(2, 2), dtype=float32, numpy=
array([[1., 2.],
[3., 4.]], dtype=float32)>,
<tf.Tensor: id=60, shape=(2, 2), dtype=float32, numpy=
array([[ 1., 0.],
[-1., -2.]], dtype=float32)>,
<tf.Tensor: id=61, shape=(2, 2), dtype=float32, numpy=
array([[0., 1.],
[2., 3.]], dtype=float32)>,
<tf.Tensor: id=62, shape=(2, 2), dtype=float32, numpy=
array([[0., 1.],
[2., 3.]], dtype=float32)>,
<tf.Tensor: id=63, shape=(2, 2), dtype=float32, numpy=
array([[0., 1.],
[2., 3.]], dtype=float32)>,
<tf.Tensor: id=64, shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
[0., 0.]], dtype=float32)>)
In [38]: tf.exp(a)
Out[38]:
<tf.Tensor: id=71, shape=(2, 2), dtype=float32, numpy=
array([[2.7182817, 2.7182817],
[2.7182817, 2.7182817]], dtype=float32)>
In [39]: tf.pow(b,2)
Out[39]:
<tf.Tensor: id=74, shape=(2, 2), dtype=float32, numpy=
array([[0., 1.],
[4., 9.]], dtype=float32)>
In [40]: tf.sqrt(b)
Out[40]:
<tf.Tensor: id=76, shape=(2, 2), dtype=float32, numpy=
array([[0. , 1. ],
[1.4142135, 1.7320508]], dtype=float32)>
矩阵相乘：
In [41]: A = tf.random.normal([2,3])
In [42]: B = tf.random.normal([3,4])
In [43]: A@B
Out[43]:
<tf.Tensor: id=90, shape=(2, 4), dtype=float32, numpy=
array([[-0.9533348 , 0.07129656, -0.22759368, -0.30643538],
[-0.889043 , 0.46086258, 1.4728254 , -1.2075386 ]],
dtype=float32)>
In [44]: tf.matmul(A,B)
Out[44]:
<tf.Tensor: id=92, shape=(2, 4), dtype=float32, numpy=
array([[-0.9533348 , 0.07129656, -0.22759368, -0.30643538],
[-0.889043 , 0.46086258, 1.4728254 , -1.2075386 ]],
dtype=float32)>
参考资料：
1、https://study.163.com/course/courseMain.htm?courseId=1209092816&share=1&shareId=1355397
2、https://github.com/dragen1860/TensorFlow-2.x-Tutorials
