TensorFlow基本数据类型简介_tensorflow中数据形式

TensorFlow基本数据类型简介

前言

事先说明一下：本文所用的是TensorFlow2.5.0版本。在TensorFlow2.0之后，TensorFlow的很多东西都做出了改变，与1.x版本已经有很多不同。整体来说，TensorFlow变得更加的简洁，已经去掉了包括Session()，占位符等。语法形式上，更加和Pytorch有所靠拢。因此有一些内行人认为，Tensorflow2.x与pytorch，只需花费主要经历在一个上面，另一个就可以很容易上手。

一.数据类型

整体而言，TensorFlow的数据类型，大体可以分成两大部分：基本数据类型，以及Tensor类型

1.1 基本数据类型

首先，在基本数据的支持上，TensorFlow支持下列基本数据类型：

1.2 容器类型

容器类型并不是TensorFlow独有的，就比如说numpy当中有array，python本身也有list等等。而在TensorFlow当中，则是：tf.Tensor。

在Numpy当中，其实已经在原本Python的基础上做了数据运算的优化。但是，Numpy却无法适应大数据和深度学习等运算。在现实当中，GPU由于具有多线程运算的特点，因此，整体速率上，要比CPU快很多。但是Numpy却恰恰没法和GPU进行联动。Numpy也没有自动求导的方法，涉及梯度下降等，就会很麻烦。在TensorFlow当中，就由此引入了Tensor类型，可以很好的与GPU进行联动，而且更加适用于大数据与深度学习。

下面，我们就来介绍一下这个张量类型

1.3 Tensor类型（张量）

Tensor整体来说有如下类型：

• scalar：代表标量
• vector：代表向量
• matrix：矩阵

在TensorFlow当中，很多时候，把维度大于2的数据，也泛泛的称为Tensor

二.基本操作

2.1 创建Tensor

比如说，我们可以创建Constant：虽然这个单词翻译为常量，但是和其他高级语言当中const int a = 10还是不同的。因为其他高级语言当中的const一旦指定，便无法修改。但是TensorFlow当中是允许的。比如说，你写一个

a = tf.constant(1)
a = tf.constant(2.)
1
2

放心，不会报错的。

import tensorflow as tf
In [2]: tf.constant(1) # 创建一个int型常量

Out[2]: <tf.Tensor: shape=(), dtype=int32, numpy=1>
In [4]: tf.constant(1.) # 创建浮点型常量
Out[4]: <tf.Tensor: shape=(), dtype=float32, numpy=1.0>

In [5]: tf.constant(2.,dtype=tf.double) # 可以指定数据类型
Out[5]: <tf.Tensor: shape=(), dtype=float64, numpy=2.0>

In [6]: tf.constant([True,False]) # 创建bool类型常量
Out[6]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([ True, False])>

In [7]: tf.constant('hello world') #创建字符型常量
Out[7]:
1
2
3
4
5
6
7
8
9
10
11
12
13
14