深度學習（5）TensorFlow基礎操作一: TensorFlow數據類型

• Data Container（數據載體）
• What’s Tensor
• TF is a computing lib（科學計算庫）
• 創建不同類型的數據
• Tensor Property（Tensor屬性）
• Check Tensor Type（判斷數據類型）
• Convert（數據類型轉換）
• bool & int（布爾型和整型數據之間的轉換）
• tf.Variable（可以優化參數的一種數據類型）
• To numpy（如何將數據由tensor類型轉換為numpy類型）

Data Container（數據載體）

(1) list
優點: 非常靈活，在list中間可以添加任何類型的數據，例如: [1, 1.2, ‘Hello’, (1, 2), layers, …]，而且可以隨意添加刪除編輯;
缺點: 遇到大數據時，例如一張圖片維度是[224, 224]，那么使用list所消耗的內存空間是巨大的，而且讀取寫入的效率低;
(2) np.array
優點: 專門解決同類型數據運算而設計的數據載體，可以很方便地將大數據（例如一組圖片的維度是[64, 224, 224, 3]）進行存儲和運算;
缺點: Numpy是在深度學習出現之前就已經設計好的科學計算庫，所以它不能很好地支持GPU計算或者自動求導功能;
(3) tf.Tensor
與Numpy地位相等，添加了一些深度學習的方法和工具; 更加偏向于神經網絡方面的操作，為了更好地入門，其API設計與Numpy的API設計相近;

What’s Tensor

• scalar: 1.1
  標量; dim = 0;
• vector: [1.1], [1.1, 2.2, …]
  向量; dim = 1;
• matrix: [[1.1, 2.2], [3.3, 4.4], [5.5, 6.6]]
  矩陣; dim = 2; [1.1, 2.2]、[3.3, 4.4]、[5.5, 6.6]均是作為一行存在;
• tensor: $rank>2$
  其實所有數據都可以叫做tensor，不只是維度大于2的數據，scalar、vector、matrix都可以叫做tensor，但是常見實戰時各叫各的，方便區分，這樣解釋是為了方便理解tensor。
  Tensor Flow in Graph
  

TF is a computing lib（科學計算庫）

• int（整型數據），float（單精度浮點型數據），double（雙精度浮點型數據）
• bool（布爾類型數據）
• string（字符串類型數據）

創建不同類型的數據

tf.constant()為創建一個Tensor;

Tensor Property（Tensor屬性）

(1) tf.device(“cpu”): 指定創建的數據在CPU上計算;
tf.device(“gpu”): 指定創建的數據在GPU上計算;
注: 如果a和b都在CPU或者都在GPU上是可以一起運算的，但是如果a在CPU上而b在GPU上，或者a在GPU而b在CPU上時，是不可以一起運算的，需要進行CPU/GPU轉換
(2) aa = a.gpu(): 將a由在CPU計算轉換為在GPU計算并賦值給aa;
bb = b.cpu: 將b由在GPU計算轉換為在CPU計算并賦值給bb;
(3) b.numpy(): 將b由tensor數據類型轉換為numpy數據類型;
(4) b.ndim(): 返回b的維度;
(5) b.shape(): 返回b的結構;
(6) tf.rank(): 返回tensor類型數據的維度;
(7) b.name: 無需理解，為TensorFlow1.0版本的起名問題;

Check Tensor Type（判斷數據類型）

(1) tf.is_tensor(b): 判斷b是否為tensor類型的數據;
(2) a.dtype: 返回a的數據類型;
(3) a.dtype = tf.float32: 查看a的數據類型是否為tensor數據類型中的float32;

Convert（數據類型轉換）

(1) a = np.arange(5): 創建a，默認存儲的數據類型為int64;
(2) aa = tf.convert_to_tensor(a): 將a轉換為tensor類型的數據，轉換后數據類型保持不變，依然為int64;
(3) aa = tf.convert_to_tensor(a, dtype = tf.int32): 將a轉換為tensor類型的數據，并且改變a的數據類型為int32;
(4) tf.cast(aa, dtype = tf.float32): cast是一個專業的數據類型轉換工具，將aa由int32轉換為float32;

bool & int（布爾型和整型數據之間的轉換）

在計算時我們往往會將布爾類型的數據轉換為整型數據，方便計算，因此，布爾型和整型數據之間的相互轉換非常常見。

(1) tf.cast(b, dtype = tf.bool): 將b由整型數據轉換為布爾型數據。其中，0轉換為False，1轉換為True;
(2) tf.cast(b, dtype = tf.bool): 將bb由布爾型數據轉換為整型數據。其中，False轉換為0，True轉換為1;

tf.Variable（可以優化參數的一種數據類型）

例如: $y=w?x+b$，這里的$w$和$b$都是參數，那么$w$和$b$除了是tensor類型的數據以外，還有一個額外的屬性，就是Variable，就是說我們可以認為: w = tf.Variable(w)，這樣的話，一個tensor類型的數據經過Variable包裝后，會自動具有了一些可求導的特性，經過包裝后會有name和trainable兩個屬性，其中name屬性無需考慮，是TensorFlow1.0中的概念; trainable屬性是可以訓練的意思，就是說當$w$和$b$需要進行向后傳播或者求導的時候，需要trainable這個屬性進行對$w$和$b$的跟蹤，會自動記錄$w$和$b$的梯度信息。

注: isinstance()并不推薦使用，更推薦使用tf.is_tensor()。

To numpy（如何將數據由tensor類型轉換為numpy類型）

tensor數據一般是運行在GPU上的，我們可能需要在CPU上完成一些額外的控制，所以我們需要將數據由tensor類型轉換為numpy類型。

(1) a.numpy(): 將a轉換為numpy類型的數據;
(2) 如果a是scalar（即標量）數據的話，我們可以直接使用int(a)或者float(a)來對a的數據類型進行轉換;

參考文獻:
[1] 龍良曲:《深度學習與TensorFlow2入門實戰》
[2] https://playground.tensorflow.org

總結

以上是生活随笔為你收集整理的深度学习（5）TensorFlow基础操作一: TensorFlow数据类型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。