TensorFlow2.0笔记4：TensorFlow2.0的基础操作！

TensorFlow2.0的基础操作！

一. 数据容器

二. What’s tensor

三. Tensor 类型

四. 创建 tensor

五. Tensor 属性

六. 检查 tensor 类型

七. 类型转换

7.1. int 和 bool 之间转换

• 很常见

7.2. tf.Variable() 和 tensor转换为numpy

八. 创建Tensor

8.1. 大纲

8.2. numpy，list中得到tensor

8.3. tf.zeros() 和 tf.zeros_like()

注意：介绍完了初始化全为0的方法之后，也可以初始化为全为1，或者任意一个常数。

• tf.ones()

8.4. Fill

8.5. 随机初始化

8.5.1. 正态分布normal

8.5.2. 均匀分布uniform

• 应用：随机打散 random permutation,这个非常的常见。

例如： 给定一组图片 [64, 32, 32, 3 ]我们怎么把这64张图片随机的打散：首先我们生成一个0-63的索引，本来是顺序的[0,1,2,3…63], 然后打散比如 [1,7,8…] 等等；此外有一点需要注意，打散的时候原来每个照片索引相对应的标签再打散之后还是需要是对应的关系。如何实现呢？下面展示：

8.6. tf.constant

• 和tf.convert_to_tensor()功能有些重合。

九. 不同维度tensor数据的典型应用

9.1. scalar 标量的典型应用：loss,accuracy

代码演示：

In [1]: import tensorflow as tf                                                                                                            
In [2]: out=tf.random.uniform([4,10])                                                                                                      
In [3]: out                                                                                                                                
Out[3]: 
<tf.Tensor: id=6, shape=(4, 10), dtype=float32, numpy=
array([[0.88357687, 0.32258904, 0.07840157, 0.93425155, 0.69157064,
        0.3894565 , 0.3264054 , 0.7723907 , 0.97058046, 0.23372042],
       [0.4888407 , 0.11972976, 0.40817046, 0.89883673, 0.6751963 ,
        0.3385092 , 0.66311693, 0.6154913 , 0.67760134, 0.43396258],
       [0.28959072, 0.98543024, 0.14751756, 0.8581419 , 0.595019  ,
        0.3687029 , 0.9161774 , 0.18476939, 0.5543313 , 0.7288394 ],
       [0.75870466, 0.6590768 , 0.55011404, 0.6398536 , 0.61781406,
        0.7082771 , 0.618503  , 0.97928166, 0.35138845, 0.8519068 ]],
      dtype=float32)>
In [4]: y=tf.range(4)                                                                                                                      
In [5]: y                                                                                                                                  
Out[5]: <tf.Tensor: id=11, shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3], dtype=int32)>
In [6]: y=tf.one_hot(y,depth=10)                                                                                                           
In [7]: y                                                                                                                                  
Out[7]: 
<tf.Tensor: id=16, shape=(4, 10), dtype=float32, numpy=
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.]], dtype=float32)>
In [8]: loss=tf.keras.losses.mse(y,out)                                                                                                    
In [9]: loss                                                                                                                               
Out[9]: <tf.Tensor: id=20, shape=(4,), dtype=float32, numpy=array([0.33263168, 0.40248507, 0.47200695, 0.45164543], dtype=float32)>
In [10]: loss=tf.reduce_mean(loss)                                                                                                         
In [11]: loss                                                                                                                              
Out[11]: <tf.Tensor: id=23, shape=(), dtype=float32, numpy=0.41469228>

9.2. Vector 向量典型应用: bias

9.3. Matrix矩阵典型应用

### 9.4. Dimension=3的tensor应用：自然语言处理

9.5. Dimension=4的tensor应用：图片

import tensorflow as tf
from tensorflow.keras import layers

x=tf.random.normal((4,32,32,3))			
net=layers.Conv2D(16,kernel_size=3)		#卷积对象net，卷积核个数166，卷积核大小3×3
net(x)								    #tensor送入卷积
print(x.shape)

输出结果：

(tf2.0) zhangkf@john:~$ python 1.py 
(4, 32, 32, 3)

9.6. Dimension=5的tensor应用：用的少，meta-learning

十. 需要全套课程视频+PPT+代码资源可以私聊我!

• 方式1：CSDN私信我!
• 方式2：QQ邮箱:[email protected]或者直接加我QQ!