TensorFlow学习－－张量的数据类型/rank/shape和常用API

TensorFlow即张量的流动，即保持计算节点不变让数据以张量的形式进行流动．张量tensor可以是一个变量/数组/多维数组等．一个tensor包含一个静态的rank和一个shape.

tensor的几个重要属性：

Data type/数据类型

即tensor存储的数据类型．

数据类型	Python 类型	描述
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

设置存储类型：

import tensorflow as tf
a = tf.zeros((2, 2), dtype=tf.float16)
print a

输出：

Tensor("zeros:0", shape=(2, 2), dtype=float16)

Rank/阶

Rank：tensor的维数，即张量是几维的数组．(直观上看就是括了几层括号)

零阶张量即纯量;

s = 256

一阶张量可看作为向量，可用t[i]来访问其元素;

v = [1.1, 2.2, 3.3]

二阶张量可看做为矩阵，可用t[i,j]来访问其元素;

m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

三阶张量可用t[i,j,k]来访问其元素;

t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]

Shape/形状

tensor的形状． <
cf0e
br>
0-D(一个 0维张量. 一个纯量.)：scalar shape为[];

1-D(一个1维张量的形式[D0])：vector shape为 [D0];

2-D(一个2维张量的形式[D0, D1])：matrix shape为 [D0，D1]；

阶	形状	维数	实例
0	[ ]	0-D	一个 0维张量. 一个纯量
1	[D0]	1-D	一个1维张量的形式[5]
2	[D0, D1]	2-D	一个2维张量的形式[3, 4]
3	[D0, D1, D2]	3-D	一个3维张量的形式 [1, 4, 3]
n	[D0, D1, … Dn]	n-D	一个n维张量的形式 [D0, D1, … Dn]

.

import tensorflow as tf
a = tf.zeros([1, 2, 2])
print a

输出：

Tensor("zeros:0", shape=(1, 2, 2), dtype=float32)

常用API

与Tensor相关的常用的API主要有:

操作	描述
tensor.eval()	张量的值
tensor.dtype	张量的数据类型
tensor.name	张量的名字
tensor.graph	张量所在的图
tensor.op	产生该张量的操作

.

#!/usr/bin/python
# coding:utf-8

import tensorflow as tf

t0 = tf.Variable(tf.random_normal([1, 3, 2, 3]), name='t')
t1 = tf.Variable(tf.random_normal([1, 3, 2, 3]), name='t')
t2 = tf.Variable(tf.random_normal([1, 3, 2, 3]), name='t')

# 初始化变量
init = tf.initialize_all_variables()
# 启动默认图
with tf.Session() as sess:
sess.run(init)
# 张量的值
print "t0.eval():\n", t0.eval()
# 张量的数据类型
print "t0.dtype:\n", t0.dtype
# 张量的名字
print "t0.name:\n", t0.name
# 重名时加序号区分
print "t2.name:\n", t2.name
# 张量所在的图
print "t0.graph:\n", t0.graph
# 产生该张量的操作
print "t0.op:\n", t0.op

输出：

t0.eval():
[[[[-0.55077618  1.64050066 -1.32940078]
[ 1.74692714  0.11233041  1.51372337]]

[[ 0.15455215 -0.38469273  2.4409039 ]
[-0.51784748  0.62258196 -0.74489498]]

[[ 1.00270367  2.20758677 -0.10242216]
[ 0.56432706  0.9625718  -0.76739138]]]]

t0.dtype:
<dtype: 'float32_ref'>

t0.name:
t:0

t2.name:
t_2:0

t0.graph:
<tensorflow.python.framework.ops.Graph object at 0x7faa4c958610>

t0.op:
name: "t"
op: "VariableV2"
attr {
key: "container"
value {
s: ""
}
}
attr {
key: "dtype"
value {
type: DT_FLOAT
}
}
attr {
key: "shape"
value {
shape {
dim {
size: 1
}
dim {
size: 3
}
dim {
size: 2
}
dim {
size: 3
}
}
}
}
attr {
key: "shared_name"
value {
s: ""
}
}

张量的形式

生成1个4行2列3维/通道的张量t和1个4行3列2维的张量b：

import tensorflow as tf
t = tf.Variable(tf.random_normal([1, 4, 2, 3]))
b = tf.Variable([[[[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=tf.float32)
init = tf.initialize_all_variables()

with tf.Session() as sess:
sess.run(init)
print t.eval()
print b.eval()
print b.shape

输出：

[[[[ -0.94044793 -1.46241128  1.05189145]
[ -0.4611243  -2.49165058  -0.82913154]]

[[ 1.01612628  -0.21953523  -0.82144296]
[ -0.61173284  0.45760757  -1.30645704]]

[[ -1.89634395 -0.20555718 -2.55326843]
[ -0.62727648  0.24829486  0.45809004 ]]

[[ -0.25653574  1.29294693 0.00365613]
[ 0.45901382 -0.72672909 0.46698001]]]]

[[[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]

[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]

[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]

[[ 1.  1.]
[ 1.  1.]
[ 1.  1.]]]]
(1, 4, 3, 2)

其中张量t的形式为：



注意指定张量中元素的dtype类型．

张量中的元素对应关系：

如，1个4行4列3维的张量a中，查看其中第1行第2列第3维和第2行第1列第2维的元素：

import tensorflow as tf
a = tf.Variable([[[[1, 2, 3], [1.5, 2.5, 3.5], [1, 1, 1], [1, 1, 1]],
[[10, 20, 30], [1, 1, 1], [1, 1, 1], [1, 1, 1]],
[[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=tf.float32)

init = tf.initialize_all_variables()

with tf.Session() as sess:
sess.run(init)
print a.eval()
print a.shape
print a.eval()[0, 0, 1, 2]
print a.eval()[0, 1, 0, 1]

输出：

[[[[  1.    2.    3. ]
[  1.5   2.5   3.5]
[  1.    1.    1. ]
[  1.    1.    1. ]]

[[ 10.   20.   30. ]
[  1.    1.    1. ]
[  1.    1.    1. ]
[  1.    1.    1. ]]

[[  1.    1.    1. ]
[  1.    1.    1. ]
[  1.    1.    1. ]
[  1.    1.    1. ]]

[[  1.    1.    1. ]
[  1.    1.    1. ]
[  1.    1.    1. ]
[  1.    1.    1. ]]]]
(1, 4, 4, 3)
3.5
20.0