数据类型

数值类型

标量(Scalar):单个的实数,如1.2,1.3等,维度数dim为0,形状shape为[]。
向量(Vector):n个实数的有序集合,通过中括号包裹,如[1,2],[1,2,3.4]等,维度数dim为1,长度不定,形状shape为[n]。
矩阵(Matrix):n行m列实数的有序集合,如[[1,2],[3,4]],维度数dim为2,每个维度上的长度不定,形状shape为[n,m]。
张量(Tensor):所有维度数dim>2的数组统称为张量。张量的每个维度也叫作轴(Axis)。一般维度代表了具体的物理含义,比如shape为[2,32,32,3]的张量共有4维,如果表示图像数据的话,每个维度代表的含义分别是图像的数量、图像高度、图像宽度、图像通道数。张量的维度数以及每个维度所代表的具体物理含义需要由用户自行定义。

import tensorflow as tf
a = tf.constant(1.2)
b = tf.constant([1.2])
c = tf.constant([[1, 2], [3, 4]])
d = tf.constant([[[1, 2], [3, 4]], [[5, 6],[7, 8]]])
print("标量:", a)
print("向量:", b)
print("矩阵:", c)
print("张量:", d)

np = c.numpy()
print("Numpy:", np)

输出情况如下:

标量: tf.Tensor(1.2, shape=(), dtype=float32)
向量: tf.Tensor([1.2], shape=(1,), dtype=float32)
矩阵: tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32)
张量: tf.Tensor(
[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]], shape=(2, 2, 2), dtype=int32)
Numpy: [[1 2]
 [3 4]]

shape表示张量的形状,dtype表示张量的数据精度
通过张量的numpy()方法可以返回Numpy.array类型的数据。

字符串类型

Tensorflow还支持字符串(String)类型的数据,例如在表示图像数据时,可以先记录图像的路径字符串,再通过预处理函数根据路径读取图像张量。通过传入字符串对象即可创建字符串类型的张量。

a = tf.constant("Hello, Deep Learning")
print("字符串:", a)
# 输出结果
字符串: tf.Tensor(b'Hello, Deep Learning', shape=(), dtype=string)

在tf.strings模块中,提供常见的字符串类型的工具函数,如小写lower()、大写upper()、拼接join()、长度length()、切分split()等。

tf.strings.lower(a)

布尔类型

布尔类型的张量只需要传入Python语言的布尔类型数据,转换成TensorFlow内部布尔型即可。

import tensorflow as tf
a = tf.constant(True)
print("布尔类型:", a)
# 输出结果
布尔类型: tf.Tensor(True, shape=(), dtype=bool)

TensorFlow的布尔类型和Python语言的布尔类型并不等价,不能通用。只可数字等价,对象不等价

数字精度

常用的精度类型有tf.int16, tf.int32, tf.int64, tf.float16, tf.float32, tf.float64等,其中tf.float64即为tf.double。

在创建张量时,可以指定张量的保存精度

tf.constant(123456, dtype=tf.int16)  # tf.Tensor(-7616, shape=(), dtype=int16)数据发生了溢出
tf.constant(123456, dtype=tf.int32)  # tf.Tensor(123456, shape=(), dtype=int32)

对于大部分深度学习算法,一般使用tf.int32和tf.float32可满足大部分场合的精度需求。
可以使用tf.cast()进行类型的转换 注意:高精度转向低精度,可能发生溢出隐患

tf.cast(a, tf.double)

待优化张量

为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量,TensorFlow增加了一种专门的数据类型来支持梯度信息的记录:tf.Variable()。tf.Variable类型在普通张量类型的基础上添加了name、trainable等属性来支持计算图的构建。通过tf.Variable()函数可以将普通张量转换为待优化张量。

import tensorflow as tf
a = tf.constant(1.23)
b = tf.Variable(a)  # 通过普通张量赋值
print("普通张量:", a)
print("待优化张量:", b)

c = tf.Variable([1,2,3])  # 直接赋值
print("待优化张量:", c)

# 通过GradientTape.watch()方法临时加入跟踪梯度信息的列表,从而支持自动求导功能
with tf.GradientTape() as tape:
    tape.watch([a])

输出结果:

普通张量: tf.Tensor(1.23, shape=(), dtype=float32)
待优化张量: <tf.Variable 'Variable:0' shape=() dtype=float32, numpy=1.23>
待优化张量: <tf.Variable 'Variable:0' shape=(3,) dtype=int32, numpy=array([1, 2, 3], dtype=int32)>
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,817评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,329评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,354评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,498评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,600评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,829评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,979评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,722评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,189评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,519评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,654评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,940评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,762评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,993评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,382评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,543评论 2 349