Tensor数据类型

Tensor数据类型

• list: [1,1.2,'hello'] ，存储图片占用内存非常大
• np.array，存成一个静态数组，但是numpy在深度学习之前就出现了，所以不适合深度学习
• tf.Tensor，为了弥补numpy的缺点，更多的是为了深度学习而生
• tensor：
  • scalar：标量，1.1
  • vector：向量，[1.1],[1.1,2.2,...]
  • matrix: 矩阵，[[1.1,2.2],[3.3,4.4]]
  • tensor：rank>2
• 数据类型：
  • Int, float, double
  • bool
  • string
• 定义tensor

tf.constant(1)  # 定义常量，普通的tensor
tf.constant(1.)  # 定义常量，普通的tensor
tf.constant([True, False])  # 定义常量，普通的tensor
tf.constant('hello nick')

属性

with tf.device('cpu'):
  a = tf.constant([1])
with tf.device('gpu'):
    b = tf.constant([1])
  
a.device # 设备属性
a.gpu()  # cpu转gpu
a.numpy()  # 获取numpy数据类型
a.shape  # 获取a的属性
a.ndim  # 获取维度
tf.rank(a)  # 获取维度
a.name  # 1.+历史遗留问题

数据类型判断

instance(a,tf.Tensor) # 判断是否为tensor
tf.is_tensor(a)  # 判断是否为tensor
a.dtype,b.dtype,c.dtype  # 判断数据类型

数据类型转换

a = np.arange(5)
aa = tf.convert_to_tensor(a,dtype=tf.int32) # numpy转tensor

tf.cast(aa,dtype=tf.float32)  # tensor之间数据类型转换


# int --》 bool
b = tf.constant([0,1])
tf.cast(b,dtype=tf.bool) # int --》bool

# tf.Variable
a = tf.range(5)
b = tf.Variable(a) # tensor转为Variable后具有求导的特性，即自动记录a的梯度相关信息
b.name # Variable:0

b = tf.Variable(a, name='input_data')
b.name # input_data:0
b.trainable # True

isinstance(b,tf.Tensor)  # False
isinstance(b,tf.Variable)  # True
tf.is_tensor(b)  # True  # 推荐使用

 tensor转numpy

a= tf.range(5)
a.numpy()

# a必须是scalar
a = tf.ones([])
a.numpy()
int(a)
float(a)