深度学习-TensorFlow2.0笔记（一）

一、tensor

　1.1　什么是tensor?tensor的数据类型

　　　　tensor是张量的意思，在tensorflow中张量可以是标量（scalar）、向量（vector）、矩阵（matrix）、高维度张量（rank>2），像numpy里的数组就不属于tensor。tensorflow里的常用的数据类型有tf.int32、tf.float32、tf.double、tf.bool、tf.variable。下面展示了用tf.constant创建的一些tensor:

　　　　

　　　　需要特别注意代码in[18]-in[21]行，由于tensorflow有自动求导功能，而被求导参数类型必须为variable类型，这样才可以被记录下梯度信息。但是variable类型在于int、float运算过程中，假如被更新了，其类型会自动转为int、float类型，导致求导出错。第二个需要注意的是代码第34-36行，tensor不同类型数据间不能混合运算（除了variable），否则会出错，而在深度学习中，运算通常采用浮点形式，这种错误较少出现。为了解决variable更新自动被转成其他类型，可以采用原地更新，即数据类型不变，如下例所示，使用assign方法可以实现任意赋值而不改变类型：

　　　　　　　　

 

　1.2  tensor的shape

　　　　tensor最常用的属性就是shape，即维度信息，以下代码展示了标量、向量、矩阵、高维度张量的shape信息。对于标量，其维度为0，则python显示shape为()，对于矩阵，shape第一个元素表示行数，第二个表示列数。：

　　　　

　　　　

　1.3  tensor的验证

　　　　可以用tf.is_tensor()方法判断是否属于tensor类型，也可以用dtype属性进行判断，这里拿numpy做对比：

 　　　　

 

　1.4  tensor转换

　　　　在实际编写中，由于需要导入数据集，所以经常会用到数据转换方法，将数据集转为tensor或tensor转为其他形式，如numpy:

　　　　

 　　　　tf.cast可以用来转换tensor的数据类型。

 

　1.5  tensor创建

　　　　前面使用过constant以及variable创建过tensorm下面介绍更实用的创建方法。

　　　　首先是间接创建，即通过numpy，list创建然后转化为tensor:

　　　　

 　　　　但是需要注意不能转换的情况，一种是数据类型不统一，第二种是结构不统一，如下：

　　　　

　　　　另外就是直接通过tf的方法直接创建一些矩阵、特殊分布等数据形式：

　　　　

　　　　在构建网络权重的时候，常会用到正态分布或者均匀分布来初始化，其中截断型的正态分布应用更多。

           　

 

　　　　

二、索引与切片

　2.1  多维度索引

　　　　tensor索引常采用列表形式，而不是像a[0][1][2]的形式。比如：

　　　　

 　　　　可以看到多次索引后，结果变为了标量。 这就如同注册账户时选择地址一样。

　　　　索引可以是负值，正索引0表示第一个元素，而负索引-1表示最后一个元素。

 

　2.2  使用索引列表进行切片

　　　　对于索引列表的每个维度索引，都可以用start:end:step获取切片，其切片范围为[start,end)，注意end是取不到的，step指定了步长，类似于隔几行采样一次。索引可以有省略形式，start省略默认为最开始的地方，end省略默认为结束的地方,step省略表示1。如：表示范围为全部，step=1。：：2表示范围为全部，但step=2。2：：表示范围≥2，step=1。其他情况类似。

·　　　　

　　　　采用负索引进行切片，范围仍旧是start取得到，end取不到，切片方向仍然是从左向右，因此步长需为正。正索引与负索引可以混合使用：

　　　　

 　　　　另外，通过切片可以实现逆序功能，即每个维度中的数据都倒过来排列。

　　　　

　　　　当维度较多，不想打冒号，可以用...。前提是切片的范围是整个，并且，省略号不能同时出现在两边，这样是无法判断结构的。

　　　　

 

　2.3  gather抽样切片

　　　  索引列表进行切片还是有很多限制，只能按一定步长等间距取样，取样是有序的。而gather可以一次对某个维度（给定axis）进行任意位置任意数量任意顺序的取样（给定indices），这里的indices不是索引坐标，而是该维度下数据位置索引的有序集合，不能用冒号形式。

　　　　

 

　2.4  gather_nd抽样与自定义结构

　　　　gather_nd参数中给出一个结构，输出结果会将结构中的索引用数据替代，例如下面in[104]，用a[0]替代了结构[0]，所以结果是一个向量；又比如in[107]，用a[0]替代[0]，用a[1]替代[1]因为结构包裹了一层方括号，因此，结果是一个矩阵。注意这里的[0，1]可以理解为索引列表,但是不支持冒号。所以有个问题就是gather与gather_nd在截取比较复杂的数据时，会比较麻烦。

　　　　

 

 

　　

三、维度变换

　3.1  reshape分解与合并维度

　　　　reshape改变维度，并不会影响数据存储的顺序与内容，只是会丢失维度的信息，改变视图结构，进行了数据重新的组合。在改变维度的过程中，应该小心，保证更改后总大小不变，例如：

　　　　

 

　3.2  transpose转置与维度交换

　　　　transpose可以对多维tensor进行转置，注意它并不局限于矩阵，其转置相当于将shape倒过来排列，例如[1,2,3]转置为[3,2,1]。此外，它还可以进行任意的维度交换，实际上转置也可以看做维度的交换，例如[1,2,3]现在可以将第二维和第三维交换，结果是[1,3,2]。详细情况如下，transpose指定perm时，默认功能为倒置。

　　　　

 

　3.3  expand_dims扩维与squeeze降维

　　　　在矩阵计算中经常碰到维度不一致的情况，例如一个3*3的矩阵和一个长度为3的向量做加法，需要将向量在横向上复制成3*3的矩阵。这里就可以用expand_dims+tile实现。expand_dims需要制定插入的位置，即制定axis，如果设定的axis非负，则会在axis前面扩展，否则在axis后扩展。例如对shape为（a，b）的tensor进行扩展，指定axis=0，那么就在维度a前扩展，扩展后shape为（1，a，b）；如果指定axis=-1，那么就是在维度b的后面进行扩展，扩展后shape为（a,b,1）。到此为止，expand_dims做的事类似于reshape，实际上也可以用reshape来做扩展，效果是一样的。例如：

　　　　

 　　　　tile的作用在于将对应的维度值以倍数扩展，数据以复制形式进行填充。上例中，1->1*3；2->2*4；3->3*1。

　　　　squeeze则用于降维，可以删去值等于1的维度，例如[1,2,3,1]降维后为[2,3]。squeeze用法如下图：

　　　　

 

　3.4  broadcast广播

　　　　前面展示了通过expand+tile的方法进行扩展使不同维度的tensor变为相同维度进行运算，实际中，像加减乘除一些运算支持隐式broadcast自动扩展，broadcast性能比expand来得好，占用内存小。正是有这种自动扩展，在tensorflow里一些不同维度的tensor可以直接进行运算，如下图：

　　　　

 

　　　　可以看到，一个矩阵与向量作四则运算并未出错。原因在于运算前，向量自动扩展为（2,3）。但不是任何情况都不会出错，扩展的过程为，遵循最后一维对齐原则，缺失的维度自动扩展，且值为1，对值为1的维度进行扩展，值不为1的维度不能扩展。对比下列情况：

　　　　

　　　　[3,1]可以扩展，根据右对齐原则，[3,1]缺少对应2的维度，自动扩展为（1,3,1）。左1对应于2，可以扩成2。3对应于3，不用扩展。右3对应于4，扩为4。[3,2]根据右对齐原则，2对应于4，两者不相等且不为1，所以不能扩展。

　　　　有些时候可能出现不支持隐式扩展，这时候可以显式扩展：

　　　　

 

 

四、tensor运算

　4.1  加减乘除余

　　　　加减乘除余都是对应位置元素作运算，符号为：+、-、*、/、//、%，示例如下：

　　　　

　　　　

　4.2  幂与平方根

　　　　tensor的幂和平方根就是各元素的幂与平方根，符号为:**(pow)、sqrt。示例如下：

　　　　

 

 

　4.3  指数与对数

　　　　tensor的指数和对数就是各元素的指数与对数。tensorflow里只有以e为底的对数，要实现其他对数底，可以利用数学公式转换底到e：

　　　　

　　　　另外，需要注意的是指数和对数的参数必须为浮点数，用整数会报错：

　　　　

 

 　　　　

　4.4  叉乘

　　　　符号为@：