TensorFlow2.0（一）：基本数据结构——张量
- 2019 年 10 月 3 日
- 笔记
1引言¶
TensorFlow2.0版本已经发布，虽然不是正式版，但预览版都发布了，正式版还会远吗？相比于1.X，2.0版的TensorFlow修改的不是一点半点，这些修改极大的弥补了1.X版本的反人类设计，提升了框架的整体易用性，绝对好评！
赶紧来学习一波吧，做最先吃螃蟹的那一批人！先从TensorFlow的基本数据结构——张量（tensor）开始。
2 创建¶
2.1 constant()方法¶
import tensorflow as tf
tf.constant(1) # 创建一个整型张量
tf.constant(1.) # 创建一个浮点型张量
tf.constant(2., dtype=tf.double) # 创建的同时指定数据类型
tf.constant([[1.,2.,3.],[4.,5.,6.]]) # 通过传入一个list参数创建
如果输入的数据与指定的数据类型不相符，会产生以下异常：
TypeError: Cannot convert provided value to EagerTensor. Provided value: 2.1 Requested dtype: int32
2.2 convert_to_tensor()方法¶
import numpy as np
tf.convert_to_tensor(np.ones([2, 3]))
tf.convert_to_tensor(np.ones([2, 3]))
tf.convert_to_tensor([[2.,3.],[3., 4.]])
2.3 创建元素为指定值的tensor¶
如果你熟悉numpy创建数组的方法，你一定见过zeros()、ones()等方法，TensorFlow中也有这些方法。
（1）zeros()与ones()
a = tf.zeros([2, 3, 3]) # 创建一个元素全为0，形状为[2, 3, 3]的tensor
a
b = tf.ones([2, 3]) # 创建一个元素全为1，形状为[2, 3]的tensor
b
（2）zeros_like()与ones_like
tf.zeros_like(b) # 仿照b的shape创建一个全为0的tensor
tf.ones_like(a) # 仿照b的shape创建一个全为1的tensor
（3）fill()
tf.fill([2,3],5) # 创建元素全为5，形状为[2,3]的tensor
2.4 随机初始化¶
在实际应用中，经常需要随机初始化元素服从某种分布的tensor，TensorFlow中也提供了这种功能。
（1）从指定正态分布中随机取值：tf.random.normal()。例如，随机初始化一个元素服从均值为1，方差为1的正态分布且形状为[2, 3]的tensor：
tf.random.normal([2, 3], mean=1, stddev=1)
（2）从指定的截断正态分布中随机取值：truncated_normal()。意思是从指定的正太分布中取值，但是取值范围在两个标准差范围内，也就是：[ mean – 2 stddev, mean + 2 stddev ]
tf.random.truncated_normal([2, 3], mean=1, stddev=1)
（3）从指定均匀分布中随机取值：tf.random.uniform()。
tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布
3 索引¶
a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))
a
3.1 基础索引¶
TensorFlow支持Python原生的基础索引方式，即多个方括号逐步索引取值：[idx][idx][idx]，每个方括号对应一个维度。
a[0] # 取第一个维度
a[0][1] # 同时筛选两个维度
a[0][1][3][3] # 同时对4个维度进行筛选
这种索引数据的方法简单，易于理解，但是可读性差，只能按维度依次索引数据，也不能索引列。
3.2 numpy索引¶
TensorFlow也继承了numpy中的部分索引方式，如果对numpy索引方式不熟悉，可以查看我的前几篇博客。
（1）[idx1, idx2, idx3]
这种索引方式是在一个方括号内写下所有的索引，每个索引序号之间用逗号隔开。
a[1] # 筛选第一维度，这跟基础索引一样
a[1,1, 3] # 同时帅选3个维度
（2）冒号切片与步长：[start:end:step]
这种索引方式在Python原生的list类型中也是常见的，而且使用方法也是一样的。
a[1,:,0:2] # 对第1维度选第二块数据，对第二维度选所有数据，对第三维度选前两行
a[1,:,0:2,0:4] # 继续上面的例子，对第4维度筛选去前4列
a[1,:,0:2,0:4:2] # 对第4维度加上步长，每隔一个数据取一次
也可以使用负值步长表示逆序索引，但要注意，负数步长时，原本的[start : end : step]也要跟着编程[end : start : step]：
a[1,:,0:2,4:0:-1]
a[1,:,0:2,4:0:-2]
在numpy和TensorFlow中还有“…”（三个英文句号）的使用，“…”用于表示连续多个维度全选：
a[1,...,0:4] # 等同于a[1, : , : ,0:4]
a[0,0,...] # 等同于a[0,0,:,:]
3.3 gather与gather_nd¶
gather与gather_nd是指TensorFlow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中，可以通过嵌套list的方式来指定无规则的索引：
b = np.arange(20).reshape(4,5)
b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列
但是在TensorFlow中，这种索引方式并没有从numpy中继承下来,所以如果在Tensor中使用这种方式，会抛出以下异常：
TypeError: Only integers, slices (:), ellipsis (...), tf.newaxis (None) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]
还好的是，在TensorFlow中通过gather()方法和gather_nd()方法提供了这种索引方法。
（1）gather()方法
tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行
tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列
仔细观察上面gather()方法例子，可以发现，第一个参数时数据源，还有两个参数中，axis指的是将要的维度，indices指的是需要选取的序号。
（2）gather_nd()
gather()方法一次只能对一个维度进行索引，gather_nd()方法可以同时对多个维度进行索引。
tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据，和第4行第4列的数据
4 维度变换¶
4.1 reshape()¶
numpy中的ndarray数组有个一reshape()方法，用来改变数组的shape，TensorFlow中的reshape()方法，功能也是一样的，不过TensorFlow中的reshape()没有绑定到tensor中：
a = tf.ones([2,3,4])
a.shape
a
b = tf.reshape(a, [2, 2, 6])
b.shape
b
c = tf.reshape(a, [3, 2, 4])
c
可以看到，在上面的例子中，通过reshape()方法可以很方便的改变tensor的形状，得到一个新的tensor，需要注意的是在进行维度变换时，数据的重量是不变的，上面的例子无论是[2,3,4]， [2, 2, 6]还是[3, 2, 4]都对应总量24，如果对应不上，就会产生异常。
4.2 转置：transpose()¶
transpose()方法提供了一种类似于装置的操作：
a = tf.constant([[1,2,3],[4,5,6]])
a.shape
b = tf.transpose(a)
b.shape
b
在默认情况下，transpose()方法会将所有维度按逆序方式完全转置，当然也可以通过perm参数执行需要转置的维度：
a=tf.constant([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
a
b = tf.transpose(a) # 不指定perm参数时，相当于tf.transpose(a, perm=[2, 1, 0])
b
c = tf.transpose(a, perm=[2, 1, 0])
c
d = tf.transpose(a, perm=[0, 2, 1]) # 第一个维度不做变换，对第二、第三维度进行转置
d
4.3 添加维度：expand_dims()¶
a=tf.constant([[1,2,3],[4,5,6]])
a
tf.expand_dims(a, axis=0)
tf.expand_dims(a, axis=1)
tf.expand_dims(a, axis=-1)
tf.expand_dims(a, axis=2)
expand_dims()方法添加维度时，通过axis参数指定添加维度的位置，正数表示从前往后数，负数表示从后往前数。
4.4 压缩维度：squeeze()¶
squeeze()方法与expand_dims()方法作用刚好相反，其作用是删除张量中dim为1的维度：
a = tf.ones([1,3,1,2])
a
tf.squeeze(a)
