深度學(xué)習(xí)（6）TensorFlow基礎(chǔ)操作二: 創(chuàng)建Tensor

• 一. 創(chuàng)建方式
• • 1. From Numpy，List
  • 2. zeros，ones
  • • (1) tf.zeros()
    • (2) tf.zeros_like()
    • (3) tf.ones()與tf.ones_like()
  • 3. Fill
  • 4. Normal（正態(tài)分布）
  • 6. Random Permutation（隨機打散）
• 二. 典型應(yīng)用
• • 1. Scalar標(biāo)量在神經(jīng)網(wǎng)絡(luò)中的呈現(xiàn)方式（[]）
  • 2. Vector在神經(jīng)網(wǎng)絡(luò)中的呈現(xiàn)方式
  • 3. Matrix在神經(jīng)網(wǎng)絡(luò)中的呈現(xiàn)方式
  • 4. Dim=3 Tensor
  • 5. Dim=4 Tensor
  • 6. Dim=5 Tensor

一. 創(chuàng)建方式

• from numpy，list
  由numpy或者list類型的數(shù)據(jù)轉(zhuǎn)換;
• zeros，ones
  創(chuàng)建全是0或者全是1的Tensor;
• fill
  創(chuàng)建填滿任意數(shù)字的Tensor;
• random
  隨機化初始Tensor;
• constant
  用constant來創(chuàng)建Tensor;

1. From Numpy，List

• 直接使用tf.convert_to_tensor()函數(shù)即可完成由Numpy或者List類型到Tensor類型的轉(zhuǎn)換;

2. zeros，ones

(1) tf.zeros()

• tf.zeros()中的參數(shù)是shape;
• tf.zeros([]): 新建一個標(biāo)量（Saclar）其中元素為0的Tensor;
• tf.zeros([1]): 新建一個向量（Vector）其中元素為0的Tensor;
• tf.zeros([2, 2]): 新建一個矩陣（Matrix）其中元素為0的Tensor; 其中[2, 2]代表新建的Tensor維度是2行2列;

(2) tf.zeros_like()

• tf.zeros_like(a)相當(dāng)于新建了一個和a維度相同的元素全為0的Tensor; 其作用與tf.zeros(a.shape)是完全一樣的，使用哪個都可以;

(3) tf.ones()與tf.ones_like()

• tf.ones和tf.ones_like的用法與tf.zeros和tf.zeros_like的用法是一樣的，只不過里邊的元素全為1;
• zeros和ones方法最常見用于$y=w?x+b$的參數(shù)$w$和$b$的初始化上;

3. Fill

• tf.fill([2, 2], 9)表示創(chuàng)建一個2行2列的Tensor，其中的元素都為9;

4. Normal（正態(tài)分布）

初始化參數(shù)的時候，不一定非要初始化成0或者1，有些時候?qū)?shù)初始化成均勻分布或者正態(tài)分布，其模型的性能效果會更好。

• tf.random.normal([2, 2], mean=1, stddev=1)表示創(chuàng)建一個維度為[2, 2]的Tensor，其中mean=1代表均值為1，stddev=1代表方差為1，是一個標(biāo)準(zhǔn)的[1, 1]正態(tài)分布，即N(1,1);
• truncated_normal([2, 2], mean=0, stddev=1)表示截斷的正態(tài)分布，就是在原來的[0,1]正態(tài)分布上截去了某一部分元素，例如:
  

將$\mu >130$的值截去，這樣做的好處在于，Sigmoid函數(shù)會在大于某值（例如130）或者小于某值的時候，梯度接近于0，這樣就會出現(xiàn)Gradient Vanish，即梯度消失問題，這時參數(shù)的更新就會變得非常困難，為了避免這種現(xiàn)象，就會使用truncated_normal()，這樣會比normal()直接初始化好一些;
5. Uniform（均勻分布）

• tf.random.uniform([2, 2], minval=0, maxval=1)表示數(shù)據(jù)從在服從(0, 1)的均勻分布中進(jìn)行采樣而來;
• tf.random.uniform([2, 2], minval=0, maxval=100)表示數(shù)據(jù)從在服從(0, 100)的均勻分布中進(jìn)行采樣而來;

6. Random Permutation（隨機打散）

(1) 設(shè)一組圖片的維度為$[64,28,28,3]$，其中64為batch，有些時候我們需要將這64張圖片順序打亂，即打散操作。首先我們需要將這64張圖片加上0~63的索引，再將索引打散;
(2) idx = tf.random.shuffle(isx): 將新建的$[0,9]$的idx（即索引）進(jìn)行打散操作，打散的結(jié)果為numpy = array([2, 1, 9, 3, 8, 7, 0, 5, 4, 6]);
(3) 用打散的索引結(jié)構(gòu)去在a = tf.random.normal([10, 784])和b = tf.random.uniform([10], maxval=10, dtype=tf.int32)中取數(shù)據(jù);
(4) a = tf.gather(a, idx): 在a中按照idx的結(jié)構(gòu)取數(shù)據(jù);
7. tf.constant

(1) tf.constant(1)表示創(chuàng)建一個值為$1$的標(biāo)量;
(2) tf.constant([1])表示創(chuàng)建一個值為$[1]$的向量;
(3) tf.constant([1, 2.])表示創(chuàng)建一個值為$[1,2.]$的標(biāo)量;
(4) 使用tf.constant創(chuàng)建Tensor時，里邊元素的維度必須一樣，否則就會出錯;

二. 典型應(yīng)用

Typical Dim Data

• []
• [d]
• [h, w]
• [b, len, vec]
• [b, h, w, c]
• [t, b, h, w, c]
• …

1. Scalar標(biāo)量在神經(jīng)網(wǎng)絡(luò)中的呈現(xiàn)方式（[]）

• $[]$其實就是Scalar，即標(biāo)量，如$0$，$1.$，$2.2$，$\dots$;
• 常用在$loss$函數(shù)中，$loss=MSE(out,y)$，其中$loss$就是一個標(biāo)量;
• accuracy（精度），為一個具體的數(shù)值，也是標(biāo)量;
• $loss$具體計算的例子:
  

(1) out = tf.random.uniform([4, 10]): 使用隨機均勻分布生成4張照片，照片共分為10類，也就是每張照片有10個維度;
(2) y = tf.range(4): 生成$label=[0,1,2,3]$，也就是說我們假定第一張圖片的label為0，第二張圖片的label為1，第三張圖片的label為2，第四張圖片的label為3;
(3) y = tf.one_hot(y, depth=10): 使用one-hot編碼方式進(jìn)行編碼，即:
$0:[1.,0.,0.,0.,0.,0.,0.,0.,0.,0.]$
$1:[0.,1.,0.,0.,0.,0.,0.,0.,0.,0.]$
$2:[0.,0.,1.,0.,0.,0.,0.,0.,0.,0.]$
$3:[0.,0.,0.,1.,0.,0.,0.,0.,0.,0.]$
(4) loss = tf.kares.losses.mse(y, out): 使用kares.losses.mse()方法計算總損失值，即:
$$loss=\sum (y?out{)}^2$$
(5) loss = tf.reduce_mean(loss): 使用reduce_mean()方法計算平均損失值，即:
$$loss=\frac{1}{n}\sum (y?out{)}^2$$
可以看到最后的平均損失值$loss$的shape = ()，也就證明了$loss$為一個標(biāo)量。

2. Vector在神經(jīng)網(wǎng)絡(luò)中的呈現(xiàn)方式

• Bias（偏置項）
  • [out_dim]
    在計算$Y=X@W+b$的時候，$b$就是偏置項Bias，他就是一個Vector，例如輸出$out$為0~9時，那么b的就是$[1,10]$;
    以$Y=X@W+b$升維為例:
    

(1) layers.Dense()函數(shù)的功能是變化維度;
(2) net = layers.Dense(10): 將8維升到10維;
(3) net.kernel: 這里可以看出$w$的shape = (8, 10);
(4) net.bias: 這里可以看出b的shape = (10,)，還可以看出初始化默認(rèn)值全部為0，即$[0.,0.,0.,0.,0.,0.,0.,0.,0.,0.]$;

3. Matrix在神經(jīng)網(wǎng)絡(luò)中的呈現(xiàn)方式

• input x: [b, vec_dim]
  • weight: [input_dim, output_dim]

(1) x = tf.random.normal([4, 784]): 有4張照片，每張照片是$28\times 28$，也就是784維;
(2) net = layers.Dense(10): 定義一個將圖片維度變?yōu)?0維的網(wǎng)絡(luò);
(3) net(x).shape: 將x放入到定義好的網(wǎng)絡(luò)net中并查看shape;
(4) 可以看到net(x).shape為$[4,10]$，即一個4行10列的矩陣;
(5) net.kernel.shape: 查看w的維度，為$[784,10]$，即一個784行10列的矩陣，$w$的dim為2;
(6) net.bias.shape: 查看$b$的維度，為$[10]$，$b$的dim為1;

4. Dim=3 Tensor

• x: [b, seq_len, word_dim]
  • [b, 5, 5]
    

例如: 每個句子有80個單詞，每個單詞有5個維度，那么一個句子的shape就為[1, 80, 5]，如果有b個句子，那么這b個句子的shape就為[b, 80, 5];

imdb是一個數(shù)據(jù)庫，TensorShape([25000, 80])表示共有25000條影評，每條評價有80個單詞，每個單詞有100個維度，所以TensorShape為$[25000,80,100]$;

5. Dim=4 Tensor

• Image: $[b,h,w,3]$
• feature maps: $[b,h,w,c]$，其中b為一批圖片的數(shù)目（即batch），h為圖片的高（即height），w為圖片的寬（即width），c為圖片的通道數(shù)（即channel）;
  

例如: 一張彩色圖片高為h，寬為w，那么這張圖片的shape就為$[1,h,w,3]$; 如果有b張圖片的話，那么這b張圖片的shape就為$[b,h,w,3]$;

(1) tf.random.normal((4, 32, 32, 3)): 4張32×32的彩色圖片;
(2) Conv2D: 卷積神經(jīng)網(wǎng)絡(luò); channel由原來的3變?yōu)榱?6;

6. Dim=5 Tensor

• Single task: $[b,h,w,3]$
• meta-learning:
  • $[task\_b,b,h,w,3]$
    一個任務(wù)的shape為$[b,h,w,3]$，那么有多個任務(wù)的時候，shape就為$[task\_b,b,h,w,3]$;
    

參考文獻(xiàn):
[1] 龍良曲:《深度學(xué)習(xí)與TensorFlow2入門實戰(zhàn)》
[2]https://assessingpsyche.wordpress.com/2014/06/04/using-the-truncated-normal-distribution/
[3] https://blog.csdn.net/dcrmg/article/details/79797826
[4] https://medium.com/syncedreview/representations-for-language-from-word-embeddings-to-sentence-meanings-3fae81b2379a
[5] https://docs.gimp.org/2.4/en/gimp-images-in.html
[6] https://www.coursera.org/learn/learning-how-to-learn

總結(jié)

以上是生活随笔為你收集整理的深度学习（6）TensorFlow基础操作二: 创建Tensor的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。