Tensorflow框架学习记录–day01–张量与变量
张量（Tensor）
tensorflow的张量就是一个n维数组，类型维tf.Tensor。
tensor具有以下两个重要的属性：
1. type：数据类型
2. shape：形状（阶）
张量在计算机中如何存储？
标量 一个数字 0阶张量
向量 一维数组 1阶张量
矩阵 二维数组 2阶张量
…
张量 n维数组 n阶张量
创建张量的时候，如果不指定类型
默认：tf.float32
整型 tf.int32
浮点型 tf.float32
创建张量的指令
固定值张量：
tf.zeros(shape,dtype=tf.float32,name=None)
tf.ones(shape,dtype=tf.float32,name=None)
tf.constant(value,dtype=None,shape=None,name='Const')
创建随机张量：
(从正态分布中输出随机值，由随机正态分布的数字组成矩阵)
tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)
其他特殊的创建张量的op：
tf.Variable
tf.placeholder
张量的变换
1 类型改变
提供了如下一些改变张量中数值类型的函数：
2 形状改变
tensorflow的张量具有两种形状变换，动态形状和静态形状
#动态
tf.reshape
#静态
tf.setshape
关于动态形状和静态形状必须符合以下规则：
1. 静态形状：
转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状。
对于已经固定的张量的静态形状的张量，不能再次设置静态形状。
2. 动态形状：
tf.reshape()动态创建新张量时，张量的元素个数必须匹配。
张量的数学运算
算数运算符
基本数学函数
矩阵运算
reduce操作
序列索引操作
详细请参考:
https://www.tensorflow.org/versions/r1.8/api_guides/python/math_ops
（这个api好像要翻墙才能使用）
下面po一些相关的代码：
def tensor_demo():
"""
张量的演示
:return:
"""
tensor1 = tf.constant(4.0)
tensor2 = tf.constant([1, 2, 3, 4])
linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)
print("tensor1:\n", tensor1)
print("tensor2:\n", tensor2)
print("linear_squares_before:\n", linear_squares)
# 张量类型的修改
l_cast = tf.compat.v1.cast(linear_squares, dtype=tf.float32)
print("linear_squares_after:\n", linear_squares)
print("l_cast:\n", l_cast)
# 更新/改变静态形状
# 定义占位符
# 没有完全固定下来的静态形状
a_p = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, None])
b_p = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 10])
c_p = tf.compat.v1.placeholder(dtype=tf.float32, shape=[3, 2])#三行二列
print("a_p:\n", a_p)
print("b_p:\n", b_p)
print("c_p:\n", c_p)
# 更新形状未确定的部分
a_p.set_shape([2, 3])
b_p.set_shape([2, 10])
print("a_p:\n", a_p)
print("b_p:\n", b_p)
# 动态形状修改
a_p_reshape = tf.reshape(a_p, shape=[2, 3, 1])
print("a_p_reshape:\n", a_p_reshape)
return None
变量OP
tensorflow变量是表示程序处理的共享持久状态的最佳方法，变量通过tf.Variable OP类进行操作，变量的特点：
存储持久化
可修改值
可指定被训练
创建变量
tf.Variable(initial_value=None,trainable=True,collections=None,name=None)
initial_value:初始化的值
trainable：是否被训练
collections：新变量将添加到列出的图的集合中collections，如果trainabel是True变量也被添加到图形集合GraphKeys.TRAINABLE_VARIABLES
变量需要显式初始化，才能运行值。
使用tf.variable_scope()修改变量的命名空间
会在OP的名字前面增加命名空间的指定名字。
以下是相关代码：
def variable_demo():
"""
变量的演示
"""
# 创建变量
with tf.compat.v1.variable_scope("my_scope"):
a = tf.Variable(initial_value=50)
b = tf.Variable(initial_value=40)
with tf.compat.v1.variable_scope("your_scope"):
c = tf.add(a, b)
print("a:\n", a)
print("b:\n", b)
print("c:\n", c)
# 初始化变量
init = tf.compat.v1.global_variables_initializer()
# 开启会话
with tf.compat.v1.Session() as sess:
# 运行初始化
sess.run(init)
a_value, b_value, c_value = sess.run([a, b, c])
print("a_value:\n", a_value)
print("b_value:\n", b_value)
print("c_value:\n", c_value)
return None