TensorFlow筆記元件

tensorflow用張量這種資料結構來表示所有的資料.你可以把乙個張量想象成乙個n維的陣列或列表.乙個張量有乙個靜態型別和動態型別的維數.張量可以在圖中的節點之間流通.其實張量更代表的就是一種多位陣列。

在tensorflow系統中，張量的維數來被描述為階.但是張量的階和矩陣的階並不是同乙個概念.張量的階（有時是關於如順序或度數或者是n維）是張量維數的乙個數量描述.比如，下面的張量（使用python中list定義的）就是2階.

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

你可以認為乙個二階張量就是我們平常所說的矩陣，一階張量可以認為是乙個向量.

階數學例項

python例子0

純量(只有大小)

s = 4831向量

(大小和方向)

v = [1.1, 2.2, 3.3]2矩陣

(資料表)

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

33階張量

(資料立體)

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

(自己想想看)

....

tensors有乙個資料型別屬性.你可以為乙個張量指定下列資料型別中的任意乙個型別:

資料型別

python 型別

描述dt_float

tf.float32

32 位浮點數.

dt_double

tf.float64

64 位浮點數.

dt_int64

tf.int64

64 位有符號整型.

dt_int32

tf.int32

32 位有符號整型.

dt_int16

tf.int16

16 位有符號整型.

dt_int8

tf.int8

8 位有符號整型.

dt_uint8

tf.uint8

8 位無符號整型.

dt_string

tf.string

可變長度的位元組陣列.每乙個張量元素都是乙個位元組陣列.

dt_bool

tf.bool

布林型.

dt_complex64

tf.complex64

由兩個32位浮點數組成的複數:實數和虛數.

dt_qint32

tf.qint32

用於量化ops的32位有符號整型.

dt_qint8

tf.qint8

用於量化ops的8位有符號整型.

dt_quint8

tf.quint8

用於量化ops的8位無符號整型.

然後是tensorflow中對於各種資料的操作：

注意上面向量運算中第三個：分割（split）

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

tf.zeros_like(tensor, dtype=none, name=none)

tf.ones(shape, dtype=tf.float32, name=none)

tf.ones_like(tensor, dtype=none, name=none

tf.fill(dims, value, name=none)建立乙個張量的形狀dims並填充它value

tf.constant(value, dtype=none, shape=none, name='const')建立乙個常數張量。

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=none, name=none)

從正態分佈中輸出隨機值，由隨機正態分佈的數字組成的矩陣

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=none, name=none)

從截斷的正態分佈中輸出隨機值，和 tf.random_normal() 一樣，但是所有數字都不超過兩個標準差

tf.random_shuffle(value, seed=none, name=none)

沿其第一維度隨機打亂

tf.set_random_seed(seed)

設定圖級隨機種子

可用於確定張量的形狀並更改張量的形狀

t = tf.placeholder(tf.float32,[none,2])

import
os    
os.environ[
'tf_cpp_min_log_level
']='
2'

例項**：

import
tensorflow as tf
import
osos.environ[
'tf_cpp_min_log_level
'] = '2'
a = tf.constant(2)
#0維() 一維（4） 二維（2，3） 三維（2，3，4）
#with tf.session() as sess:
#print(a.shape)
#print(a.op)
#print(a.name)
b = tf.placeholder(tf.float32,[none,2])
print
(b)b.set_shape([3,2])
print
(b)#
一旦靜態形狀已經固定則不能設定了
#b.set_shape([3,2]) valueerror
#下面是動態修改，就是生成乙個和原來資料的元素數量匹配的新的
c = tf.reshape(b,[2,3])
print(c)

TensorFlow筆記元件

tensorflow學習筆記

Tensorflow學習筆記

TensorFlow學習筆記

TensorFlow筆記 元件

tensorflow學習筆記

Tensorflow學習筆記

TensorFlow學習筆記

相關推薦

TensorFlow筆記元件