创建和控制张量

• 学习目标：
  • 初始化 TensorFlow Variable 并赋值
  • 创建和控制张量
  • 回忆线性代数中的加法和乘法知识
  • 熟悉基本的 TensorFlow 数学和数组运算

from __future__ import print_function

import tensorflow as tf
try:
    tf.contrib.eager.enable_eager_execution()
    print('TF imported with eager execution!')
except ValueError:
    print('TF already imported with eager execution!') 

TF imported with eager execution!

矢量加法

# 创建一个包含质数的primes矢量
primes = tf.constant([2,3,4,7,11,13], dtype=tf.int32)
print('primes:', primes)

primes: tf.Tensor([ 2  3  4  7 11 13], shape=(6,), dtype=int32)

# 创建一个全1的矢量
ones = tf.ones([6], dtype=tf.int32)
print('ones:', ones)

ones: tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int32)

# 通过前两个矢量相加创建一个新的矢量
just_beyond_primes = tf.add(primes, ones)
print('just_beyond_primes:', just_beyond_primes)

just_beyond_primes: tf.Tensor([ 3  4  5  8 12 14], shape=(6,), dtype=int32)

# 通过翻倍创建新的矢量
twos = tf.constant([2] * 6, dtype=tf.int32)
primes_doubled = primes * twos
print('primes_doubled:', primes_doubled)

primes_doubled: tf.Tensor([ 4  6  8 14 22 26], shape=(6,), dtype=int32)

# 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）
some_matrix = tf.constant([[1,2,3],[4,5,6]], dtype=tf.int32)
print(some_matrix)
print('\nvalue of some_matrix is:\n', some_matrix.numpy())

tf.Tensor(
[[1 2 3]
 [4 5 6]], shape=(2, 3), dtype=int32)

value of some_matrix is:
 [[1 2 3]
 [4 5 6]]

张量形状

• 形状用于描述张量维度的大小和数量。张量的形状表示为list, 其中第i个元素表示维度i的大小，列表的长度表示张量的阶（维数）

# A Scalar (0-D tensor)
scalar = tf.zeros([])

# A vector with 3 elements
vector = tf.zeros([3])

# A martix with 2 rows and 3 columns
martix = tf.zeros([2,3])

print('scalar has shape', scalar.get_shape(), 'and value:\n', scalar.numpy())
print('vector has shape', vector.get_shape(), 'and value:\n', vector.numpy())
print('martix has shape', martix.get_shape(), 'and value:\n', martix.numpy())

scalar has shape () and value:
 0.0
vector has shape (3,) and value:
 [0. 0. 0.]
martix has shape (2, 3) and value:
 [[0. 0. 0.]
 [0. 0. 0.]]

广播

• 在TensorFlow中可以对张量执行传统意义上不可行的运算，TensorFlow支持广播（一种借鉴于NumPy的概念）
• 利用广播，元素级运算中较小数组会增大到与较大数组具有相同的形状
• 当张量被广播时，从概述上来说，系统会复制其条目

primes = tf.constant([2,3,5,7,11,13], dtype=tf.int32)
print('primes:', primes)
one = tf.constant(1, dtype=tf.int32)
print('one:', one)

just_beyond_primes = tf.add(primes, one)
print('just_beyond_primes:', just_beyond_primes)

two = tf.constant(2, dtype=tf.int32)
primes_doubled = primes * two
print('primes_doubled', primes_doubled)

primes: tf.Tensor([ 2  3  5  7 11 13], shape=(6,), dtype=int32)
one: tf.Tensor(1, shape=(), dtype=int32)
just_beyond_primes: tf.Tensor([ 3  4  6  8 12 14], shape=(6,), dtype=int32)
primes_doubled tf.Tensor([ 4  6 10 14 22 26], shape=(6,), dtype=int32)

primes_squared = tf.multiply(primes, primes)  # 数乘

just_under_primes_squared = primes_squared - 1

print(just_under_primes_squared)

tf.Tensor([  3   8  24  48 120 168], shape=(6,), dtype=int32)

print(primes * primes -1)

tf.Tensor([  3   8  24  48 120 168], shape=(6,), dtype=int32)

矩阵乘法

• tf.matmul(x, y)

张量变形

• 使用tf.reshape(matrix, [2, 8])方法改变张量形状(8
  
  2变成2
  
  8或4*4)
• 也可以改变张量的维度tf.reshape(matrix, [2,2,4]) # 如将2
  
  8变成2
  
  2*4，或者多维变成一维

变量、初始化和赋值

• 上面提到的都是静态值(tf.constant), 调用numpy()始终返回同一结果
• 定义Variable对象，它的值是可以改变的
  • v = tf.contrib.eager.Variable([3]) # 定义变量并初始化为3
  • w = tf.contrib.eager.Variable(tf.random_normal([1, 4] mean=1.0, stddev=0.35)) # 1*4矩阵，均值为1，标准方差为0.35
• 要改变变量的值，使用assign操作
  • v = tf.assign(v, [7])
  • v.assign([5])

die1 = tf.contrib.eager.Variable(tf.random_uniform([10,1], minval=1, maxval=7, dtype=tf.int32))
die2 = tf.contrib.eager.Variable(tf.random_uniform([10,1], minval=1, maxval=7, dtype=tf.int32))
dice_sum = tf.add(die1, die2)
resulting_matrix = tf.concat(values=[die1, die2, dice_sum], axis=1)  # 合并的值和方向
print(resulting_matrix)

tf.Tensor(
[[2 4 6]
 [3 3 6]
 [1 3 4]
 [3 2 5]
 [1 2 3]
 [2 2 4]
 [4 1 5]
 [2 3 5]
 [3 4 7]
 [1 6 7]], shape=(10, 3), dtype=int32)