Tensor数据类型

目录

* Tensor数据类型 <https://www.cnblogs.com/nickchen121/p/10840234.html#tensor数据类型>
* 属性 <https://www.cnblogs.com/nickchen121/p/10840234.html#属性>
* 数据类型判断 <https://www.cnblogs.com/nickchen121/p/10840234.html#数据类型判断>
* 数据类型转换 <https://www.cnblogs.com/nickchen121/p/10840234.html#数据类型转换>
*  tensor转numpy
<https://www.cnblogs.com/nickchen121/p/10840234.html#tensor转numpy>
Tensor数据类型

* list: [1,1.2,'hello'] ，存储图片占用内存非常大
* np.array，存成一个静态数组，但是numpy在深度学习之前就出现了，所以不适合深度学习
* tf.Tensor，为了弥补numpy的缺点，更多的是为了深度学习而生
* tensor：
* scalar：标量，1.1
* vector：向量，[1.1],[1.1,2.2,...]
* matrix: 矩阵，[[1.1,2.2],[3.3,4.4]]
* tensor：rank>2
* 数据类型：
* Int, float, double
* bool
* string
* 定义tensor tf.constant(1) # 定义常量，普通的tensor tf.constant(1.) # 定义常量，普通的tensor
tf.constant([True, False]) # 定义常量，普通的tensor tf.constant('hello nick')
属性
with tf.device('cpu'): a = tf.constant([1]) with tf.device('gpu'): b =
tf.constant([1]) a.device # 设备属性 a.gpu() # cpu转gpu a.numpy() # 获取numpy数据类型
a.shape # 获取a的属性 a.ndim # 获取维度 tf.rank(a) # 获取维度 a.name # 1.+历史遗留问题
数据类型判断
instance(a,tf.Tensor) # 判断是否为tensor tf.is_tensor(a) # 判断是否为tensor
a.dtype,b.dtype,c.dtype # 判断数据类型
数据类型转换
a = np.arange(5) aa = tf.convert_to_tensor(a,dtype=tf.int32) # numpy转tensor
tf.cast(aa,dtype=tf.float32) # tensor之间数据类型转换 # int --》 bool b =
tf.constant([0,1]) tf.cast(b,dtype=tf.bool) # int --》bool # tf.Variable a =
tf.range(5) b = tf.Variable(a) # tensor转为Variable后具有求导的特性，即自动记录a的梯度相关信息 b.name
# Variable:0 b = tf.Variable(a, name='input_data') b.name # input_data:0
b.trainable # True isinstance(b,tf.Tensor) # False isinstance(b,tf.Variable) #
True tf.is_tensor(b) # True # 推荐使用
 tensor转numpy
a= tf.range(5) a.numpy() # a必须是scalar a = tf.ones([]) a.numpy() int(a) float(a)

• « 上一篇：什么是前端？以及HTML/DIV+CSS/JavaScript技术是什么？（1）
• » 下一篇：音视频的相关名词、术语、概念