TensorFlow2.0（1）：基本数据结构——张量
1引言
TensorFlow2.0版本已经发布，虽然不是正式版，但预览版都发布了，正式版还会远吗？相比于1.X，2.0版的TensorFlow修改的不是一点半点，这些修改极大的弥补了1.X版本的反人类设计，提升了框架的整体易用性，绝对好评！
赶紧来学习一波吧，做最先吃螃蟹的那一批人！先从TensorFlow的基本数据结构——张量（tensor）开始。
2 创建
2.1 constant()方法
import tensorflow as tftf.constant(1) # 创建一个整型张量<tf.Tensor: id=0, shape=(), dtype=int32, numpy=1>
tf.constant(1.) # 创建一个浮点型张量<tf.Tensor: id=2, shape=(), dtype=float32, numpy=1.0>
tf.constant(2., dtype=tf.double) # 创建的同时指定数据类型<tf.Tensor: id=4, shape=(), dtype=float64, numpy=2.0>
tf.constant([[1.,2.,3.],[4.,5.,6.]]) # 通过传入一个list参数创建<tf.Tensor: id=6, shape=(2, 3), dtype=float32, numpy=
array([[1., 2., 3.],
[4., 5., 6.]], dtype=float32)>
如果输入的数据与指定的数据类型不相符，会产生以下异常： TypeError: Cannot convert provided value to EagerTensor. Provided value: 2.1 Requested dtype: int32
2.2 convert_to_tensor()方法
import numpy as nptf.convert_to_tensor(np.ones([2, 3]))<tf.Tensor: id=9, shape=(2, 3), dtype=float64, numpy=
array([[1., 1., 1.],
[1., 1., 1.]])>
tf.convert_to_tensor(np.ones([2, 3]))<tf.Tensor: id=11, shape=(2, 3), dtype=float64, numpy=
array([[1., 1., 1.],
[1., 1., 1.]])>
tf.convert_to_tensor([[2.,3.],[3., 4.]])<tf.Tensor: id=13, shape=(2, 2), dtype=float32, numpy=
array([[2., 3.],
[3., 4.]], dtype=float32)>
2.3 创建元素为指定值的tensor
如果你熟悉numpy创建数组的方法，你一定见过zeros()、ones()等方法，TensorFlow中也有这些方法。
（1）zeros()与ones()
a = tf.zeros([2, 3, 3]) # 创建一个元素全为0，形状为[2, 3, 3]的tensora<tf.Tensor: id=46, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]], dtype=float32)>
b = tf.ones([2, 3]) # 创建一个元素全为1，形状为[2, 3]的tensorb<tf.Tensor: id=50, shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>
（2）zeros_like()与ones_like
tf.zeros_like(b) # 仿照b的shape创建一个全为0的tensor<tf.Tensor: id=52, shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
tf.ones_like(a) # 仿照b的shape创建一个全为1的tensor<tf.Tensor: id=56, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]], dtype=float32)>
（3）fill()
tf.fill([2,3],5) # 创建元素全为5，形状为[2,3]的tensor<tf.Tensor: id=38, shape=(2, 3), dtype=int32, numpy=
array([[5, 5, 5],
[5, 5, 5]])>
2.4 随机初始化
在实际应用中，经常需要随机初始化元素服从某种分布的tensor，TensorFlow中也提供了这种功能。
（1）从指定正态分布中随机取值：tf.random.normal()
例如，随机初始化一个元素服从均值为1，方差为1的正态分布且形状为[2, 3]的tensor：
tf.random.normal([2, 3], mean=1, stddev=1)<tf.Tensor: id=63, shape=(2, 3), dtype=float32, numpy=
array([[ 1.7034731 , 0.4979009 , 1.4266468 ],
[-0.33414853, 0.2618034 , 0.3966313 ]], dtype=float32)>
（2）从指定的截断正态分布中随机取值：truncated_normal()
意思是从指定的正太分布中取值，但是取值范围在两个标准差范围内，也就是：[ mean - 2 * stddev, mean + 2 * stddev ]
tf.random.truncated_normal([2, 3], mean=1, stddev=1)<tf.Tensor: id=70, shape=(2, 3), dtype=float32, numpy=
array([[0.71736836, 1.7930655 , 0.47575486],
[0.83504593, 0.7969478 , 0.6002228 ]], dtype=float32)>
（3）从指定均匀分布中随机取值：tf.random.uniform()
tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布<tf.Tensor: id=78, shape=(2, 3), dtype=float32, numpy=
array([[1.7117869, 1.2625391, 1.6652637],
[1.3810604, 1.0297629, 1.1268978]], dtype=float32)>
3 索引
a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))a<tf.Tensor: id=80, shape=(2, 2, 4, 5), dtype=int32, numpy=
array([[[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
[[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]]],
[[[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49],
[50, 51, 52, 53, 54],
[55, 56, 57, 58, 59]],
[[60, 61, 62, 63, 64],
[65, 66, 67, 68, 69],
[70, 71, 72, 73, 74],
[75, 76, 77, 78, 79]]]])>
3.1 基础索引
TensorFlow支持Python原生的基础索引方式，即多个方括号逐步索引取值：[idx][idx][idx]，每个方括号对应一个维度。
a[0] # 取第一个维度<tf.Tensor: id=85, shape=(2, 4, 5), dtype=int32, numpy=
array([[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
[[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]]])>
a[0][1] # 同时筛选两个维度<tf.Tensor: id=94, shape=(4, 5), dtype=int32, numpy=
array([[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39]])>
a[0][1][3][3] # 同时对4个维度进行筛选<tf.Tensor: id=111, shape=(), dtype=int32, numpy=38>
这种索引数据的方法简单，易于理解，但是可读性差，只能按维度依次索引数据，也不能索引列。
3.2 numpy索引
TensorFlow也继承了numpy中的部分索引方式，如果对numpy索引方式不熟悉，可以查看我的前几篇博客。 （1）[idx1, idx2, idx3] 这种索引方式是在一个方括号内写下所有的索引，每个索引序号之间用逗号隔开。
a[1] # 筛选第一维度，这跟基础索引一样<tf.Tensor: id=116, shape=(2, 4, 5), dtype=int32, numpy=
array([[[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49],
[50, 51, 52, 53, 54],
[55, 56, 57, 58, 59]],
[[60, 61, 62, 63, 64],
[65, 66, 67, 68, 69],
[70, 71, 72, 73, 74],
[75, 76, 77, 78, 79]]])>
a[1,1, 3] # 同时帅选3个维度<tf.Tensor: id=121, shape=(5,), dtype=int32, numpy=array([75, 76, 77, 78, 79])>
（2）冒号切片与步长：[start:end:step]
这种索引方式在Python原生的list类型中也是常见的，而且使用方法也是一样的。
a[1,:,0:2] # 对第1维度选第二块数据，对第二维度选所有数据，对第三维度选前两行<tf.Tensor: id=126, shape=(2, 2, 5), dtype=int32, numpy=
array([[[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49]],
[[60, 61, 62, 63, 64],
[65, 66, 67, 68, 69]]])>
a[1,:,0:2,0:4] # 继续上面的例子，对第4维度筛选去前4列<tf.Tensor: id=131, shape=(2, 2, 4), dtype=int32, numpy=
array([[[40, 41, 42, 43],
[45, 46, 47, 48]],
[[60, 61, 62, 63],
[65, 66, 67, 68]]])>
a[1,:,0:2,0:4:2] # 对第4维度加上步长，每隔一个数据取一次<tf.Tensor: id=136, shape=(2, 2, 2), dtype=int32, numpy=
array([[[40, 42],
[45, 47]],
[[60, 62],
[65, 67]]])>
也可以使用负值步长表示逆序索引，但要注意，负数步长时，原本的[start : end : step]也要跟着编程[end : start : step]：
a[1,:,0:2,4:0:-1]<tf.Tensor: id=141, shape=(2, 2, 4), dtype=int32, numpy=
array([[[44, 43, 42, 41],
[49, 48, 47, 46]],
[[64, 63, 62, 61],
[69, 68, 67, 66]]])>
a[1,:,0:2,4:0:-2]<tf.Tensor: id=146, shape=(2, 2, 2), dtype=int32, numpy=
array([[[44, 42],
[49, 47]],
[[64, 62],
[69, 67]]])>
在numpy和TensorFlow中还有“..."（三个英文句号）的使用，“..."用于表示连续多个维度全选：
a[1,...,0:4] # 等同于a[1, : , : ,0:4]<tf.Tensor: id=151, shape=(2, 4, 4), dtype=int32, numpy=
array([[[40, 41, 42, 43],
[45, 46, 47, 48],
[50, 51, 52, 53],
[55, 56, 57, 58]],
[[60, 61, 62, 63],
[65, 66, 67, 68],
[70, 71, 72, 73],
[75, 76, 77, 78]]])>
a[0,0,...] # 等同于a[0,0,:,:]<tf.Tensor: id=156, shape=(4, 5), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])>
3.3 gather与gather_nd
gather与gather_nd是指TensorFlow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中，可以通过嵌套list的方式来指定无规则的索引：
b = np.arange(20).reshape(4,5)b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列array([5, 8, 9])
但是在TensorFlow中，这种索引方式并没有从numpy中继承下来,所以如果在Tensor中使用这种方式，会抛出以下异常：
TypeError: Only integers, slices (:), ellipsis (...), tf.newaxis (None) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]
还好的是，在TensorFlow中通过gather()方法和gather_nd()方法提供了这种索引方法。
（1）gather()方法
tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行<tf.Tensor: id=163, shape=(3, 5), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])>
tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列<tf.Tensor: id=168, shape=(4, 3), dtype=int32, numpy=
array([[ 0, 2, 3],
[ 5, 7, 8],
[10, 12, 13],
[15, 17, 18]])>
仔细观察上面gather()方法例子，可以发现，第一个参数时数据源，还有两个参数中，axis指的是将要的维度，indices指的是需要选取的序号。
（2）gather_nd()
gather()方法一次只能对一个维度进行索引，gather_nd()方法可以同时对多个维度进行索引。
tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据，和第4行第4列的数据<tf.Tensor: id=172, shape=(2,), dtype=int32, numpy=array([ 2, 18])>
3.5 条件索引
可以结合一些简单的逻辑运算符进行索引取值：
import tensorflow as tfa = tf.random.uniform([3,3],minval=-10,maxval=10,dtype=tf.int32)
a<tf.Tensor: id=17, shape=(3, 3), dtype=int32, numpy=
array([[-7, -9, 6],
[-6, -5, 9],
[ 8, 9, 4]])>
mask = a < 0
mask<tf.Tensor: id=20, shape=(3, 3), dtype=bool, numpy=
array([[ True, True, False],
[ True, True, False],
[False, False, False]])>
可以看到，返回的是一个shape与a相同的tensor，在a小于零的位置是True，大于零的位置为False。进一步地，我们可以用boolwan_mask()方法直接取出符合条件的元素：
tf.boolean_mask(a,mask)<tf.Tensor: id=82, shape=(4,), dtype=int32, numpy=array([-7, -9, -6, -5])>
可以结合where()方法取出符合条件元素的索引：
m_index = tf.where(mask)
m_index<tf.Tensor: id=84, shape=(4, 2), dtype=int64, numpy=
array([[0, 0],
[0, 1],
[1, 0],
[1, 1]], dtype=int64)>
再使用之前说过的gather_nd()方法取值：
tf.gather_nd(a,m_index)<tf.Tensor: id=86, shape=(4,), dtype=int32, numpy=array([-7, -9, -6, -5])>
where()方法还有第二种用法——从两个tensor中取出符合条件的值，这时候where()方法必须接受3个参数：
condition = tf.random.uniform([3,3],minval=0,maxval=2,dtype=tf.int32)
condition = tf.cast(condition, tf.bool)
condition<tf.Tensor: id=124, shape=(3, 3), dtype=bool, numpy=
array([[ True, True, False],
[ True, False, False],
[ True, False, False]])>
a = tf.range(1,10)
a = tf.reshape(a,[3,3])
a<tf.Tensor: id=162, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])>
b = tf.range(-9,0)
b = tf.reshape(b,[3,3])
b<tf.Tensor: id=169, shape=(3, 3), dtype=int32, numpy=
array([[-9, -8, -7],
[-6, -5, -4],
[-3, -2, -1]])>
tf.where(condition, a, b)<tf.Tensor: id=171, shape=(3, 3), dtype=int32, numpy=
array([[ 1, 2, -7],
[ 4, -5, -4],
[ 7, -2, -1]])>
上面where()方法返回的结果在True的位置取值是a中对应位置元素的值，在False位置是b中对应元素的值。
4 维度变换
4.1 reshape()
numpy中的ndarray数组有个一reshape()方法，用来改变数组的shape，TensorFlow中的reshape()方法，功能也是一样的，不过TensorFlow中的reshape()没有绑定到tensor中：
a = tf.ones([2,3,4])a.shapeTensorShape([2, 3, 4])
a<tf.Tensor: id=176, shape=(2, 3, 4), dtype=float32, numpy=
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]], dtype=float32)>
b = tf.reshape(a, [2, 2, 6])b.shapeTensorShape([2, 2, 6])
b<tf.Tensor: id=179, shape=(2, 2, 6), dtype=float32, numpy=
array([[[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]],
[[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]]], dtype=float32)>
c = tf.reshape(a, [3, 2, 4])c<tf.Tensor: id=183, shape=(3, 2, 4), dtype=float32, numpy=
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.]]], dtype=float32)>
可以看到，在上面的例子中，通过reshape()方法可以很方便的改变tensor的形状，得到一个新的tensor，需要注意的是在进行维度变换时，数据的重量是不变的，上面的例子无论是[2,3,4]， [2, 2, 6]还是[3, 2, 4]都对应总量24，如果对应不上，就会产生异常。
4.2 转置：transpose()
transpose()方法提供了一种类似于装置的操作：
a = tf.constant([[1,2,3],[4,5,6]])a.shapeTensorShape([2, 3])
b = tf.transpose(a)b.shapeTensorShape([3, 2])
b<tf.Tensor: id=192, shape=(3, 2), dtype=int32, numpy=
array([[1, 4],
[2, 5],
[3, 6]])>
在默认情况下，transpose()方法会将所有维度按逆序方式完全转置，当然也可以通过perm参数执行需要转置的维度：
a=tf.constant([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])a<tf.Tensor: id=194, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])>
b = tf.transpose(a) # 不指定perm参数时，相当于tf.transpose(a, perm=[2, 1, 0])b<tf.Tensor: id=197, shape=(3, 2, 2), dtype=int32, numpy=
array([[[ 1, 7],
[ 4, 10]],
[[ 2, 8],
[ 5, 11]],
[[ 3, 9],
[ 6, 12]]])>
c = tf.transpose(a, perm=[2, 1, 0])c<tf.Tensor: id=200, shape=(3, 2, 2), dtype=int32, numpy=
array([[[ 1, 7],
[ 4, 10]],
[[ 2, 8],
[ 5, 11]],
[[ 3, 9],
[ 6, 12]]])>
d = tf.transpose(a, perm=[0, 2, 1]) # 第一个维度不做变换，对第二、第三维度进行转置d<tf.Tensor: id=203, shape=(2, 3, 2), dtype=int32, numpy=
array([[[ 1, 4],
[ 2, 5],
[ 3, 6]],
[[ 7, 10],
[ 8, 11],
[ 9, 12]]])>
4.3 添加维度：expand_dims()
a=tf.constant([[1,2,3],[4,5,6]])a<tf.Tensor: id=205, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6]])>
tf.expand_dims(a, axis=0)<tf.Tensor: id=208, shape=(1, 2, 3), dtype=int32, numpy=
array([[[1, 2, 3],
[4, 5, 6]]])>
tf.expand_dims(a, axis=1)<tf.Tensor: id=211, shape=(2, 1, 3), dtype=int32, numpy=
array([[[1, 2, 3]],
[[4, 5, 6]]])>
tf.expand_dims(a, axis=-1)<tf.Tensor: id=214, shape=(2, 3, 1), dtype=int32, numpy=
array([[[1],
[2],
[3]],
[[4],
[5],
[6]]])>
tf.expand_dims(a, axis=2)<tf.Tensor: id=217, shape=(2, 3, 1), dtype=int32, numpy=
array([[[1],
[2],
[3]],
[[4],
[5],
[6]]])>
expand_dims()方法添加维度时，通过axis参数指定添加维度的位置，正数表示从前往后数，负数表示从后往前数。
4.4 压缩维度：squeeze()
squeeze()方法与expand_dims()方法作用刚好相反，其作用是删除张量中dim为1的维度：
a = tf.ones([1,3,1,2])a<tf.Tensor: id=221, shape=(1, 3, 1, 2), dtype=float32, numpy=
array([[[[1., 1.]],
[[1., 1.]],
[[1., 1.]]]], dtype=float32)>
tf.squeeze(a)<tf.Tensor: id=223, shape=(3, 2), dtype=float32, numpy=
array([[1., 1.],
[1., 1.],
[1., 1.]], dtype=float32)>
作者博客：
https://www.cnblogs.com/chenhuabin
作者github：
https://github.com/ChenHuabin321/tensorflow2_tutorials
腾讯云开发者
