TensorFlow基础语法
阅读：129334540 分享到
Tensorflow 这个框架一开始创建的时候，想做成一个类似编程语言似的东西，所以它像编程语言一样有数据类型的概念。
数据类型
在学习数据类型之前，我们先了解一下数学的一个概念。
| 维数 | 阶 | 数学叫法 |
|---|---|---|
| 0-D | 0 | 标量（scalar) |
| 1-D | 1 | 向量（vector) |
| 2-D | 2 | 矩阵（matrix） |
| n-D | n | 张量（tensor) |
张量是指（标量，向量，矩阵，多维度的...），所以通俗意义上来说：标量，向量，矩阵统称张量。
在后面的学习中，我们使用 tensorflow 定义张量（标量，向量，矩阵，多维度张量）。
注意：为了少打几个字母，后面我会用 tf 来简称 tensorflow。
tf 的数据类型很简单，基本上有以下几种：
tf.int 整数类型
tf.float 浮点类型
tf.bool 布尔类型
tf.string 字符串类型
注意：tf 的数据在做四则运算的时候，只有同类型才可以，整数类型和浮点数类型做四则运算也会报错，它不会像 C 语言一样支持模糊转换。
常量
我们可以使用 tf 的 constant 函数来定义常量。
import tensorflow as tf a = tf.constant(5) print(a)
运行结果如下：
tf.Tensor(5, shape=(), dtype=int32)
重要说明：在 tf 中，每个数据（无论什么类型）都是一个 tensor，tf 中的变量无论是初始化还是运算的结果，都是一个 tensor。
以上代码中，我们用 tf.constant(5)构建一个 tensor，然后赋值给变量 a。我们打印出 a 这个
tensor 的值，该 tensor 的值为： tf.Tensor(5, shape=(), dtype=int32)。
tf.Tensor(5, shape=(), dtype=int32)解析：
5 是 tensor 的数据值。
shape=() 表示该 tensor 的维度为 0-D，也就是该 tensor 是一个标量。
sdtype=int32 表示该 tensor 的数据值的类型是 int32（32位的整型）。
总结：有次我们可以知道变量 a 是一个 tensor，该 tensor 的数据值为 5，是一个 0-D 维度的标量，数据值的类型为 int32。
上面我们用一个数值初始化一个 tensor，得到的是维度为 0-D 的标量。
当用一维数组来初始化一个 tensor，得到的是维度为 1-D 的向量。
# 一维度（向量）张量 a = tf.constant([1, 2, 6]) #
当用二维数组来初始化一个 tensor，得到的是维度为 2-D 的矩阵。
# 二维（矩阵）张量 c = [[2, 3, 4], [4, 5, 6], [5, 5, 5]]
在人工智能实际开发中，我们常用的只有标量，向量和矩阵，更高维度的张量很少用到，在此不在赘述。
大家注意：以上 tensor 的数值都是整数，同样我们也可以用浮点数和字符串初始化 tensor。
变量
tf2中可以用Variable 函数定义一个变量，变量和常量的区别，就在于变量可以改变自身的值，而常量不能改变。tf2 中的变量会被标记为：“可训练”，我们在神经网络反向传播中经常要改变变量的值，我们常常把参数定义为变量。
import tensorflow as tf t0 = tf.Variable(5) # t0 tensor 中的数值是一个变量 t1 = tf.constant(8) # t1 tensor 中的数值是一个常量 t0.assign(t1) # 正确，把 t1 tensor 中的数值赋值给 t0 tensor 中的数值 print(t0) t1.assign(t0) # 错误，t1 tensor 中的数值是常量，不允许被改变
由上可知：tensor 里面的数值为变量，该数值是可以修改的；tensor 里面的数值为常量，该数值是不可以修改的。
常用数学运算
1.tf 的张量（无论是常量还是变量）提供以下常用的数学运算。
a.对应元素的四则运算：tf.add, tf.substract, tf.multiply, tf.divide
b.平方，次方和开方：tf.square, tf.pow, tf.sqrt
c.如果 tf 的张量是矩阵的话，支持矩阵的叉乘：tf.matmul
注意：tf 对参与运算的张量含有的 tensor（张量里面的某个元素）的数据类型要求必须相同。
a = tf.constant(3) b = tf.constant(5.0) print(a + b)
上面例子定义两个变量，然后做加法运算，因为张量 b 中的数据 5.0 是浮点数类型，而张量 a 中的数据 3 是整数类型，两个 tensor 数据类型不同，不符合运算规则，则会报错。
2.tf 的四则运算（加减乘除），对于不符合运算规则的数据，tf 会智能补齐，无法补齐的则报错。
import tensorflow as tf a = tf.constant([1, 2]) b = tf.constant([2]) print(a + b)
程序运行的结果为：
tf.Tensor([3 4], shape=(2,), dtype=int32)
我们定义向量 a 和向量 b，向量 a 含有 2 个元素，而向量 b 含有 1 个元素；很明显 a 和 b 不符合向量的四则运算规则。但是 tf 并没有报语法错误，而是会对向量 b 补上 1 个元素，补上的元素的值为第 1 个元素的值，然后让 a 和 b 做加法运算，
注意：建议大家不要让 tf 智能补齐，自己定义好符合运算规则的数据，再做计算。
3.tf 对非四则运算则不会补齐，比如下我们定义两个矩阵常量然后做叉乘（叉乘不是四则运算），如果让这两个矩阵不符合叉乘规则，tf 就会报语法错误。
import tensorflow as tf a = tf.constant([[1], [2]]) b = tf.constant([[3], [4]]) print(tf.matmul(a, b)) # 矩阵 a 和 矩阵 b 做叉乘
叉乘的规则是第 1 个矩阵的列必须等于第 2 个矩阵的行；很明显矩阵 a 和 b 不符合矩阵的叉乘规则，tf不会智能补齐，则会直接报错。
4.tf 对字符串类型只支持加法运算，不支持其它任何四则运算。
a = tf.constant(["hello"], ["birdpython"]) b = tf.constant(["xx"], ["xxxx"]) print(a + b) # tf 对 tensor 的数据值类型为字符串的，只支持加法运算
5.对于开方运算，tf 只支持 tensor 为浮点类型的值。
c = tf.constant([[1.0], [2.0]]) # 矩阵的数据值为浮点数 rst = tf.sqrt(c) # sqrt 只支持浮点类型的tensor print(rst)
6.tf 的数学运算大都有相应的数学符号代替函数的写法。
a = tf.constant([[1], [2]]) b = tf.constant([[3], [4]]) rst = a + b # rst = tf.add(a, b) rst2 = a - b # rst = tf.subtract(a, b) rst3 = a * b # rst = tf.multiply(a, b) rst4 = a / b # rst = tf.divide(a, b) rst5 = a ** 2 # tf.square(a) rst6 = a ** 4 # tf.pow(a, 4)
总结：大家对 tensor 进行计算时尽量要让其符合计算规则，而不是让 tf 自动补齐，一个好习惯的重要性可以避免很多不必要的问题。
如果以上内容对您有帮助，请老板用微信扫一下赞赏码，赞赏后加微信号 birdpython 领取免费视频。
(x2 + y2 - 1)3 - x2y3 = 0