⚠申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址。 全文共计3077字，阅读大概需要3分钟
🌈更多学习内容， 欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿
个人网站：https://jerry-jy.co/
TensorFlow基础一（张量的数据类型）
一、任务需求
TensorFlow 是一个面向深度学习算法的科学计算库，内部数据保存在张量(Tensor)对象上，所有的运算操作(Operation，简称 OP)也都是基于张量对象进行的。复杂的神经网络算法本质上就是各种张量相乘、相加等基本运算操作的组合，在深入学习深度学习算法之前，熟练掌握 TensorFlow 张量的基础操作方法十分重要。只有掌握了这些操作方法，才能随心所欲地实现各种复杂新奇的网络模型，也才能深刻理解各种模型算法的本质。本节主要完成创建不同数据类型的张量、张量的类型转换、张量维度的转换、张量的创建以及张量的四则运算、幂指运算等操作。
二、任务目标
1、掌握张量的数据类型
2、掌握张量的类型转换、维度转换
3、掌握张量的四则运算、幂指运算
三、任务环境
1、jupyter开发环境
2、tensorflow2.4
3、python3.6
四、任务实施过程
（一）、张量的数据类型
1、标量在TensorFlow的创建
import tensorflow as tf
import warnings
warnings.filterwarnings("ignore")
# python 语言方式创建标量
a = 1.2
# TF 方式创建标量
aa = tf.constant(1.2)
type(a), type(aa), tf.is_tensor(aa)
2、如果要使用 TensorFlow 提供的功能函数， 须通过 TensorFlow 规定的方式去创建张量，而不能使用 Python 语言的标准变量创建方式。
x = tf.constant([1,2.,3.3])
# 打印 TF 张量的相关信息
x
# 将 TF 张量的数据导出为 numpy 数组格式
x.numpy()
3、与标量不同，向量的定义须通过 List 容器传给 tf.constant()函数。创建一个元素的向量：
# 创建一个元素的向量
a = tf.constant([1.2])
a, a.shape
4、创建 3 个元素的向量：
# 创建 3 个元素的向量
a = tf.constant([1,2, 3.])
a, a.shape
5、创建定义矩阵
# 创建 2 行 2 列的矩阵
a = tf.constant([[1,2],[3,4]])
a, a.shape
6、三维张量可以定义为：
# 创建 3 维张量
tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]])
7、通过传入字符串对象即可创建字符串类型的张量
# 创建字符串
a = tf.constant('Hello, Deep Learning.')
a
8、通过传入字符串对象即可创建字符串类型的张量
# 创建字符串
a = tf.constant('Hello, Deep Learning.')
a
9、在 tf.strings 模块中，提供了常见的字符串类型的工具函数，如小写化 lower()、 拼接join()、 长度 length()、 切分 split()等。
# 小写化字符串
tf.strings.lower(a)
10、布尔类型的张量只需要传入 Python 语言的布尔类型数据，转换成 TensorFlow 内部布尔型即可。
# 创建布尔类型标量
tf.constant(True)
11、创建布尔类型的向量
# 创建布尔类型向量
tf.constant([True, False])
12、需要注意的是， TensorFlow 的布尔类型和 Python 语言的布尔类型并不等价，不能通用
# 创建 TF 布尔张量
a = tf.constant(True)
# TF 布尔类型张量与 python 布尔类型比较
print(a is True)
# 仅数值比较
print(a == True)
13、在创建张量时，可以指定张量的保存精度
# 创建指定精度的张量
tf.constant(123456789, dtype=tf.int16)
<tf.Tensor: shape=(), dtype=int16, numpy=-13035>
tf.constant(123456789, dtype=tf.int32)
<tf.Tensor: shape=(), dtype=int32, numpy=123456789>
14、对于浮点数， 高精度的张量可以表示更精准的数据，例如采用 tf.float32 精度保存π时，实际保存的数据为 3.1415927
import numpy as np
# 从 numpy 中导入 pi 常量
np.pi
# 32 位
tf.constant(np.pi, dtype=tf.float32)
15、如果采用 tf.float64 精度保存π，则能获得更高的精度
tf.constant(np.pi, dtype=tf.float64) # 64 位
tf.constant(np.pi, dtype=tf.float64) # 64 位
16、通过访问张量的 dtype 成员属性可以判断张量的保存精度
a = tf.constant(np.pi, dtype=tf.float16)
# 读取原有张量的数值精度
print('before:',a.dtype)
# 如果精度不符合要求，则进行转换
if a.dtype != tf.float32:
# tf.cast 函数可以完成精度转换
a = tf.cast(a,tf.float32)
# 打印转换后的精度
print('after :',a.dtype)
17、系统的每个模块使用的数据类型、 数值精度可能各不相同， 对于不符合要求的张量的类型及精度， 需要通过 tf.cast 函数进行转换
# 创建 tf.float16 低精度张量
a = tf.constant(np.pi, dtype=tf.float16)
# 转换为高精度张量
tf.cast(a, tf.double)
18、进行类型转换时，需要保证转换操作的合法性， 例如将高精度的张量转换为低精度的张量时，可能发生数据溢出隐患：
a = tf.constant(123456789, dtype=tf.int32)
# 转换为低精度整型
tf.cast(a, tf.int16)
19、布尔类型与整型之间相互转换也是合法的， 是比较常见的操作
a = tf.constant([True, False])
# 布尔类型转整型
tf.cast(a, tf.int32)
20、一般默认 0 表示 False， 1 表示 True，在 TensorFlow 中，将非 0 数字都视为 True，
a = tf.constant([-1, 0, 1, 2])
# 整型转布尔类型
tf.cast(a, tf.bool)
–end–
