Tensor資料相關的運算及函式講解
Tensor資料相關的運算及函式講解
Tensor
tensorflow 中使用它來表示資料。可以看做多維陣列或者list。
標量是張量，向量是張量，矩陣是張量，矩陣的矩陣是張量
常用幾種定義方法
1.variable變數，一般是可以被更更新或更改的數值，即在流圖執行過程中可以被不斷動態調整的值。我們訓練一個模型的時候，會用到Tensorflow中的變數(Variables)，我們需要它來保持和更新引數值，和張量一樣，變數也儲存在記憶體緩衝區當中。
我們要預先對變數初始化，Tensorflow的變數必須先初始化然後才有值！而常值張量是不需要的，變數可以先設定好初始化方式，但是真正初始化是要
才真的初始化。
2.constant 常量張量
3.placeholder：佔位符 動態改變值 feeddict
numpy
b = np.array( [ (1.5,2,3), (4,5,6) ] )
Tensorflow 和numpy區別
相同點：都提供n位陣列
不同點：numpy支援ndarray，而Tensorflow裡有tensor；numpy不提供建立張量函式和求導，也不提供GPU支援。
顯示
Tensor
需要加eval函式
ta = tf.zeros((2,2))
print(ta)
Tensor("zeros_1:0", shape=(2, 2), dtype=float32)
print(ta.eval())
numpy
a = np.zeros((2,2))
print(a)
Tensor 相關操作
算術操作
1.加法操作
Tensor、numpy 兩個的效果一致遇到不相同的維度時，會自動擴充。但是同一維度上的大小必須一致的，除了某一維度是值是1的情況。
Tensor的shape是（tensor，1）和（1,tensor）這是可以相加的，會自動擴充。
2.矩陣乘法
Tensor
A * B 表示按元素計算
tf.mul(A,B) 表示按元素計算
tf.matmul(A,B) 表示矩陣乘法
3.numpy
A * B 表示按元素計算
dot(A,B)表示矩陣乘法
資料型別轉換
tf.to_double(a)
tf.to_float(a)
tf.cast(x, dtype, name=None)
|
tensor a is [1.8, 2.2], dtype=tf.float tf.cast(a, tf.int32) ==> [1, 2] # dtype=tf.int32 |
形狀操作
1.shape
numpy：a.shape()
Tensor：a.get_shape() tf.shape(a)
2.reshape
Tensor：tf.reshape(a, (1,4))
numpy：np.reshape(a,(1,4))
3.tf.size(a)返回資料的元素數量
tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]]) size = 12
4.tf.rank(a) 返回tensor的rank
#’t’ is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]
# shape of tensor ‘t’ is [2, 2, 3]
rank(t) ==> 3
5.某一維求和
Tensor：tf.reduce_sum(b,reduction_indices=1)
numpy：np.sum(b,axis=1)
陣列方面的 切片和合並
1.合併、連線陣列
Tensor
tf.concat(0,[a,b])第一個引數表述位數
若a （1，128，128，3） b( 1，128，128，3）
tf.concat(0,[a,b]) ( 2，128，128，3）
numpy
vstack 和 hstack
stack(a,axis=)
2.獲取整行整列資料
Tensor
temp = tf.constant(0,shape=[5,5])
temp1 = temp[0,:] 獲取某行
temp2 = temp[:,1] 獲取某列
temp[1,1] 獲取某個元素
temp[1:3,1:3] 獲取某個範圍的行列元素
沿著某一維度將tensor分離為num_split tensors
tf.split(split_dim, num_split, value, name=’split’)
|
# ‘value’ is a tensor with shape [5, 30] # Split ‘value’ into 3 tensors along dimension 1 split0, split1, split2 = tf.split(1, 3, value) tf.shape(split0) ==> [5, 10] |
3.對tensor進行切片操作
tf.slice(input_, begin, size, name=None)
|
#’input’ is #[[[1, 1, 1], [2, 2, 2]],[[3, 3, 3], [4, 4, 4]],[[5, 5, 5], [6, 6, 6]]] tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]] tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3], [4, 4, 4]]] tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> [[[3, 3, 3]], [[5, 5, 5]]] |
4.打包
tf.pack(values, axis=0, name=’pack’)
|
# ‘x’ is [1, 4], ‘y’ is [2, 5], ‘z’ is [3, 6] pack([x, y, z]) => [[1, 4], [2, 5], [3, 6]] # 沿著第一維pack pack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]] 等價於tf.pack([x, y, z]) = np.asarray([x, y, z]) |
5.tf.reverse(tensor, dims, name=None)
沿著某維度進行序列反轉
|
其中dim為列表，元素為bool型，size等於rank(tensor) # tensor ‘t’ is [[[[ 0, 1, 2, 3], #[ 4, 5, 6, 7], #[ 8, 9, 10, 11]], #[[12, 13, 14, 15], #[16, 17, 18, 19], #[20, 21, 22, 23]]]] # tensor ‘t’ shape is [1, 2, 3, 4] # ‘dims’ is [False, False, False, True] reverse(t, dims) ==> [[[[ 3, 2, 1, 0], [ 7, 6, 5, 4], [ 11, 10, 9, 8]], [[15, 14, 13, 12], [19, 18, 17, 16], [23, 22, 21, 20]]]] |
6.tf.transpose(a, perm=None, name=’transpose’)
調換tensor的維度順序
|
如為定義，則perm為(n-1…0) # ‘x’ is [[1 2 3],[4 5 6]] tf.transpose(x) ==> [[1 4], [2 5],[3 6]] # Equivalently tf.transpose(x, perm=[1, 0]) ==> [[1 4],[2 5], [3 6]] |
矩陣相關操作
1.tf.matrix_inverse 方陣的逆矩陣
2.tf.matrix_determinant 方陣的行列式
3.tf.transpose轉置
4.tf.diag 給定對角線上的值，返回對角tensor
Tensor 和 numpy array互轉
1.numpy array 到 Tensor
numpyData = np.zeros((1,10,10,3),dtype=np.float32)
tf.convert_to_tensor(numpyData)
2.Tensor到 numpy array
eval()
tf.constant([1,2,3]).eval()
參考文獻
http://blog.csdn.net/lenbow/article/details/52152766