〔TensorFlow〕数据类型和张量

数据类型

详见官方文档：https://tensorflow.google.cn/api_docs/python/tf/dtypes/DType

数据类型	Python	类型
DT_FLOAT	tf.float32	32 位浮点数
DT_DOUBLE	tf.float64	64 位浮点数
DT_INT64	tf.int64	64 位有符号整型
DT_INT32	tf.int32	32 位有符号整型
DT_INT16	tf.int16	16 位有符号整型
DT_INT8	tf.int8	8 位有符号整型
DT_UINT8	tf.uint8	8 位无符号整型
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组
DT_BOOL	tf.bool	布尔型
DT_COMPLEX64	tf.complex64	由两个 32 位浮点数组成的复数:实数和虚数
DT_QINT32	tf.qint32	用于量化 Ops 的 32 位有符号整型
DT_QINT8	tf.qint8	用于量化 Ops 的 8 位有符号整型
DT_QUINT8	tf.quint8	用于量化 Ops 的 8 位无符号整型

张量

详见官方文档：https://tensorflow.google.cn/guide/tensor?hl=zh-cn

Tensorflow 中所有的运算操作都是基于张量进行的，是 TensorFlow 的基本单位。“张量是具有统一类型（称为 dtype）的多维数组。”，0 维数组称为标量张量，1 维数组称为向量张量，2 维数组称为矩阵张量，大于 2 维数组的统称为张量。

张量分为变量张量和常量张量，变量张量是一种可变的张量，一般作为模型的参数使用；而常量张量更类似于数组，它的值是不可变的，只能重新创建，不可修改。

张量是很复杂的，张量的重要属性是其形状、类型和值。可以通过张量的 shape 、dtype 属性和 numpy() 方法获得。

张量的基础创建

常量

API

tf.constant(value,dtype=None,shape=None,name='Const')

• value: 第一个值 value 是必须的，可以是一个数值，也可以是一个列表。
• dtype: 所要创建的 tensor 的数据类型
• shape: 所要创建的 tensor 的 shape
• name: (可选)一个该操作的别名.

# 定义一个整数类型的标量张量，没有指定数据类型，则默认是tf.int32
tensor_a = tf.constant(1)

# 定义一个浮点型类型的向量张量，默认是 tf.float32
tensor_b = tf.constant([1.1, 2.2, 3.3])

# 定义一个字符串类型的矩阵张量
tensor_c = tf.constant([['hello', 'world'], ['hello','china']])

变量

API

tf.Variable(initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)

用于生成一个初始值为 initial-value 的变量，必须指定初始化值。

• initial_value：Tensor 或可转换为 Tensor 的 Python 对象，它是 Variable 的初始值。除非 validate_shape 设置为 False，否则初始值必须具有指定的形状。也可以是一个可调用的，没有参数，在调用时返回初始值。在这种情况下，必须指定 dtype。 （请注意，init_ops.py 中的初始化函数必须首先绑定到形状才能在此处使用。）
• validate_shape：如果为 False，则允许使用未知形状的值初始化变量。如果为 True，则 默认为 initial_value 的形状必须已知。
• shape:新变量或现有变量的形状。
• name：变量的可选名称。默认为“Variable”并自动获取。
• dtype：如果设置，则 initial_value 将转换为给定类型。如果为 None，则保留数据类型（如果 initial_value 是 Tensor），或者 convert_to_tensor 将决定。
• trainable: 若 trainable=False ：防止该变量被数据流图的 GraphKeys.TRAINABLE_VARIABLES (优化器优化的默认变量列表)收集, 这样我们就不会在训练的时候尝试更新它的值。如果把 trainable 设置为 True 的话，就会把该变量放置到该列表中；如果 trainable 设置为 True 的话，就不会放置到该列表中，在训练的时候就不会更新此值。所以显而易见它的作用就是模型训练的时候是否会更新这个参数。
• collections：一个图 graph 集合列表的关键字。新变量将添加到这个集合中。默认为[GraphKeys.GLOBAL_VARIABLES]。也可自己指定其他的集合列表；
• validate_shape：如果为 False，则允许使用未知形状的值初始化变量。如果为 True，则默认为 initial_value 的形状必须已知。
• caching_device：可选设备字符串，描述应该缓存变量以供读取的位置。默认为 Variable 的设备。如果不是 None，则在另一台设备上缓存。典型用法是在使用变量驻留的 Ops 的设备上进行缓存，以通过 Switch 和其他条件语句进行重复数据删除。
• variable_def：VariableDef 协议缓冲区。如果不是 None，则使用其内容重新创建 Variable 对象，引用图中必须已存在的变量节点。图表未更改。 variable_def 和其他参数是互斥的。
• expected_shape：TensorShape。如果设置，则 initial_value 应具有此形状。
• import_scope：可选字符串。要添加到变量的名称范围。仅在从协议缓冲区初始化时使用。

# 定义变量
x = tf.Variable(initial_value=0)

全零张量

API

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

• shape:用于表示维度，通常为一个 int32 类型数组，或者一个一维(1-D)的 tf.int32 数字．注意不能直接使用数字
• dtype: 所要创建的 tensor 对象的数据类型
• name: (可选)一个该操作的别名.

# 全零张量
tensor_z = tf.zeros(shape=(2, 1), dtype=tf.int32)
print(tensor_z)

# 结果
tf.Tensor(
[[0]
 [0]], shape=(2, 1), dtype=int32)

全 1 张量

API

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

# 全1张量
tensor_o = tf.ones(shape=(2, 1), dtype=tf.int32)
print(tensor_o)

# 结果
tf.Tensor(
[[1]
 [1]], shape=(2, 1), dtype=int32)

自定义数值

API

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

• dims: 类型为 int32 的 tensor 对象，用于表示输出的维度(1-D, n-D)，通常为一个 int32 数组，如：[1], [2,3]等
• value: 常量值(字符串，数字等)，该参数用于设置到最终返回的 tensor 对象值中
• name: (可选)当前操作别名

tensor_f = tf.fill([2, 3], 0)
print(tensor_f)

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

其他

还包括一些创建符合特定分布的张量，像正态分布、均匀分布等等