​​​​人工智能AI培训_TensorFlow 基础操作

1.数据类型

​

　　device

with tf.device(“cpu”)
　　​a=tf.constant(1)
with tf.device(“gpe”)
　　​b=tf.range(4)
#可以判断tensor a和b分别在哪一个设备上
a.device  #返回:device:CPU:0
b.device  #返回:device:GPU:0
　　​如果需要将tensor在CPU和GPU之间相互转移,操作如下：​
​aa=a.gpu()
aa.device #此时返回为：device:GPU:0 
bb=b.gpu()
bb.device #此时返回为：device:CPU:0 
1.6.V2.0常用的属性(numpy,ndim)
　　​numpy：支持tensor类型直接转换成np.array。
​​b.numpy()
array([0,1,2,3],dtype=int32)
#直接指定要转换的数据类型
int(a)    #可以直接转换成int，但前提是，a必须是一个scalar

float(a)

b.ndim #返回数据维度
b.shape 
tf.rank(b)
​1.7.V2.0常用的属性(判断tensor)​

　　判断是否是tensor​

a=tf.constant([1.])
b=tf.constant([true,False])
c=tf.constant(‘hello,world’)
d=np.arange(4)
#判断是否是tensor
tf.is_tensor(b)   #return True
isinstance(a,tf.Tensor)  #return True
tf.is_tensor(d)   #return False
　　​查看数据类型​​

a.dtype，b.dtype c.dtype
return  (tf.float32, tf.bool, tf.string)
a.dtype =tf.float32   #return True
b.dtype=tf..string     #return True
1.8.V2.0常用的属性(数据转换)
　　​convert
​​a=np.arrange(5)   #array([0,1,2,3,4,5])
a.dtype 
dtype(‘int64’) #numpy中自动生成int64
#np.array转换成tensor, 且需要指定数据类型为inte32
aa=tf.convert_to_tensor(a,dtype=tf.int32)
　　​cast:同样可以实现数据转换，且更简洁，只需要指定dtype。​​

tf.cast(aa, dtype=tf.float32) #指定转换成float32
<tf.Tensor:id=23,shape=(5,),dtype=float32,numpy=array([0.,1.,2.,3.,4.]，dtype=float32)>
aaa=tf.cast(aa, dtype=tf.double) #指定转换成float64
<tf.Tensor:id=27,shape=(5,),dtype=float64,numpy=array([0.,1.,2.,3.,4.])>
tf.cast(aaa, dtype=tf.int32)
<tf.Tensor:id=28,shape=(5,),dtype=int32,numpy=array([0,1,2,3,4]，dtype=int32)>
　　​cast:整型和布尔型之间的转换
b=tf.constant([0,1]) #int32的整型
tf.cast(b,dtype=tf.bool)
<tf.Tensor:id=31,shape=(2,),dtype=bool,numpy=array([False, True])>
bb=tf.cast(b, dtype=tf.bool) #布尔型
tf.cast(bb, dtype=tf.int32) #布尔型转换成整型
#False对应0，True对应1
<tf.Tensor:id=34,shape=(2,),dtype=int32,numpy=array([0, 1]，dtype=int32)> 
​​　　Variable：可求导的属性(专门为神经网络的参数所设计的属性）
a=tf.range(5)
b=tf.Variable(a) #tensor a在进行了variable的包装之后，就具备了可求导的特性。
b.dtype  #tf.int32
b.name  #’Varibale:0’
iIsinstance(b,tf,tensor)     #False
isinstance(b,tf.Variable)   #True
tf.is_tensor(b)   #True

​2.创建Tensor

​​3.V2.0索引和切片​

　　[start:end]:
　　a=tf.range(10)
　　<tf.Tensor: numpy=array[0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>
　　a[-1:]
　　<tf.Tensor:id=48, shape=(1,), dtype=int32, numpy=array([9])>
　　a[:2]
　　<tf.Tensor:id=58, shape=(2,), dtype=int32, numpy=array([0, 1])>
　　a[:-1]
　　<tf.Tensor:id=63, shape=(2,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8])>
　　b=tf.random.normal([4, 28, 28, 3])
　　b[0,: , :, :].shape   #TensorShape([28, 28, 3])
​​　　[start:end:stop]/[::step]
　　​b[:, 0:28:2, 0:28:2, :].shape   #TensorShape([4, 14, 14, 3])
　　​b[:, ::2, ::2, :].shape         #TensorShape([4, 14, 14, 3])

　　​[::-1]，‘…’: 默认为任意长的冒号

　　a=tf.random.normal([2, 4, 28, 28, 3])

　　​a[0, …].shape  #TensorShape([4, 28, 28, 3])
　　​a[…, 0].shape  #TensorShape([2, 4, 28, 28])
　　​a[1, 0, …, 0].shape  #TensorShape([28, 28])

​　　tf.gather
data=tf.random.normal([4, 35, 8])
tf.gather(data, axis=0, indices=[2, 3]).shape #参数分别代表：数据源、维度、对应维度的索引号
TensorShape([2, 35, 8])
tf.gather(data, axis=0, indices=[2, 1, 3, 0]).shape  #可以理解为抽取第一个维度的索引所对应的顺序为2,1,3,0
TensorShape([4, 35, 8])
​

4.V2.0维度变换

4.2.转置
　　​tf.transpose：[w,h] →[h, w]
​​a=tf.random.normal([4, 3, 2, 1])
a.shape
TesorShape([4, 3, 2, 1])
tf.transpose(a).shape
TensorShape([1, 2, 3, 4])

　　​指定转置的维度
#指定参数perm，可以指定转置后的维度顺序
tf.transpose(a, perm=[0, 1, 3, 2]).shape  #前两给维度保持不变，交换后两个维度的顺序
TensorShape([4, 3, 1, 2])
​

4.3.增加维度
　　​维度扩张：expand dim
　　​a: [classes, students, classes] → [4, 35, 8]: 可以描述为4个班级，每个班级有35个学生，每个学生有8门课程。
　　​增加学校的维度： [1, 4, 35, 8]+[1, 4, 35, 8] → [2, 4, 35, 8]
a=tf.random.normal([4, 35, 8])
tf.expand_dims(a, axis=0).shape #axis参数来制定要增加维度的位置
TensorShape([1, 4, 35, 8])
tf.expand_dims(a, axis=3).shape #等同于axis=-1
TensorShape([4, 35, 8, 1])
​

4.4.减少维度
　　​维度压缩：
　　　　​​squeeze dim
tf.squeeze(tf.zeros([1, 2, 1, 1, 3])).shape  #默认将维度唯一的维度压缩
TensorShape([2, 3])
　　　　​​通过axis参数来指定要压缩的维度：
a=tf.zeros([1, 2, 1, 3])
Tf.squeeze(a, axis=0).shape 
TensorShape([2, 1, 3])

​4.5.broadcasting(广播）
　　​Broadcasting：本质是张量维度扩张的一个手段，指对某一个维度上重复n次但是确没有真正的复制一个数据。
　　　　​扩张
　　　　​没有复制数据
　　　　​通过tf.broadcast_to来实现
　　　　​广播的方法：
　　　　​在需要的时候添加维度，且添加维度的初始size为1。
　　　　​扩张初始化为1的维度大小与需要进行计算的维度大小相同。
　　　　​例: [4, 32, 32, 3]+[3], 对[3]进行broadcasting，方法如下：[3]→[1, 1, 1, 3] →[4, 32, 32, 3]

​4.5.1.广播的优势
　　​为什么使用broadcasting：
　　　　​编辑代码更加简洁:
　　　　​[classes, students, scores] : +5 score
　　　　​[4, 32, 8] + [4, 32, 8]，通过expand的方式需要先把维度扩张到相同size， 再进行计算。
　　　　​[4, 32, 8] + [5.0] (此处的5.0为数值，shape为8），广播的方式则是在后台自动进行扩张计算。
　　　　​节省内存：不需要复制数据，不占内存。
　　　　​[4, 32, 8] → 1024*4
　　　　​[8] → 8*4
​

4.5.2.广播的实现
　　​广播的实现：不需要输入tf.broadcast_to的命令，而是自动判断该操作符是否支持broadcastng, 如果支持会自动进行广播并完成计算。
a=tf.random.normal([4, 32, 32, 3])
(a+tf.random.normal([3])).shape
TensorShape([4, 32, 32, 3])
b=tf.broadcast_to(tf.random.normal([4, 1, 1, 1]), [4, 32, 32, 3])
b.shape    #TensorShape([4, 32, 32, 3])
​

　　若无法复制成相同维度大小，则无法进行广播运算。
(a+tf.random.normal([1, 4, 1, 1])).shape #第二维度因为已经给出4，而目标数据的第二个维度为32。
InvalidArgumentError: Incompatible shapes: [4, 32, 32, 3] Vvs. [1, 4, 1, 1]
​

本实验利用网上已有的北京房价数据集预测了北京的房价，实现了TensorFlow的线性回归应用。