2.2 数据操作

小白学深度学习

 
 

1. 创建tensor

x = tf.constant(range(12))
x.shape
len(x)

X = tf.reshape(x, (3, 4))

tf.zeros((2, 3, 4))
tf.ones((3, 4))

tf.random.normal(shape=[3, 4], mean=0, stddev=1, dtype=tf.float32)

注意：这里使用tf.random.normal()函数时最后一定要加上dtype=tf.float32，不然可能会报错

 
 

2. 运算

## 数据类型转换函数
Y = tf.constant([1, 2, 3], dtype = tf.int32)
tf.cast(Y, tf.float32)

## 矩阵乘法函数
tf.matmul(X, tf.transpose(Y))

## 联结函数
tf.concat([X, Y], axis = 0)

## 求和函数
tf.reduce_sum(X)

## 求范数函数（默认为欧式范数）
tf.norm(X, ord = 1)

 
 

3. 索引

X = tf.reshape(tf.constant(range(12)), (3, 4))
X = tf.Variable(X)
X[1].assign(tf.ones(X[1].shape, dtype = tf.float32)*12)

 
 

4. 运算的内存开销

注：若两个实例的ID一致，则他们所对应的内存地址也相同

# 节省内存开销
## 方法1
Z = tf.Variable(tf.zeros_like(Y))
before = id(Z)
Z[:].assign(X + Y)
id(Z) == before
## 方法2
before = id(X)
X.assign_add(Y)
id(X) == before

 
 

5. tensor和NumPy互换

## NumPy实例变为tensor实例
P = np.ones((2, 3))
D = tf.constant(P)

## tensor实例变为NumPy实例
P = np.array(D)