一、维度变换

多维张量在物理上以一维的方式连续存储，通过定义维度和形状，在逻辑上把它理解为多维张量。

当对多维张量进行维度变换时，只是改变了逻辑上索引的方式，没有改变内存中的存储方式。

1、改变张量形状

使用函数：tf.reshapetensor, shape)

shape参数=-1：表示自动推导出长度

2、增加和删除维度

多维张量的轴，就是张量的维度，张量中轴的概念和用法，和 numpy 中一样。

轴也可以是负数，表示从后向前索引。

（1）增加维度

使用函数：tf.expand_dimstensor, axis)：增加指定轴axis的维度，长度为 1。axis 的取值可为正，可为负。

（2）删除维度

tf.squeezetensor, asix=None) ：tensor 原始张量，axis 要删除的维度（只能删除长度为1的维度，省略时删除所有长度为1的维度）

增加和删除维度，只是改变了张量的视图，不会改变张量的存储。

3、交换维度

tf.transposetensor, perm) : perm 调整张量中各个轴的顺序，例如perm=[1,0,2]，即表示将tensor张量按照axis为1，0，2的顺序调整。

对于二维张量，不指明perm就是求其转置。

4、拼接张量

将多个张量在某个维度上合并

拼接不会产生新的维度

tf.concattensor, axis)：tensor 所有需要拼接的张量列表，axis 指定在那个轴上进行拼接。

5、分割张量

将一个张量拆分成多个张量，分割后维度不变。

tf.splittensor, num_or_size_splits, axis=0)

tensor：待分割张量
num_or_size_splits：分割方案

是一个数值时，表示等长分割，数值是切割的份数;

是一个列表时，表示不等长切割，列表中是切割后每份的长度

axis：指明分割的轴

分割后的多个tensor张量以列表形式返回。

6、堆叠张量

在合并张量时，创建一个新的维度，和numpy中的堆叠完全一样。

tf.stacktensors, axis) ：tensors 要堆叠的多个张量，axis 指定插入新维度的位置

7、分解张量

是张量堆叠的逆运算，张量分解为多个张量，分解后得到的每个张量，和原来的张量相比，维数都少了一维。

tf.unstacktensor, axis)

二、数据采样

获取张量指定位置的值，和 numpy 操作几乎完全一样。

1、索引

2、切片

使用如下格式取得一定范围内的值。

[起始位置：结束位置：步长]

起始位置、结束位置是前闭后开的，切片中不包含结束位置

起始位置、结束位置、步长都可以省略

步长可以是负数，这时起始位置的索引号，应该大于结束位置

二维以上的张量维度之间用逗号间隔

3、数据提取

根据索引，抽取出没有规律的、特定的数据，用一个索引列表，将给定张量中对应索引值的元素提取出来

使用函数 gathertensor. indices) 参数为输入张量和索引值列表

如果是对多维张量进行取值，可以在 gather函数中指定维度：axis

同时采取多个点的值

使用函数 gather_ndtensor, position)

也可以对部分维度进行采用，例如对一个三维张量，给出的位置列表中元素为二维等。

三、张量数字运算

1、基本数学运算

（1）加减乘除运算

参数x，y是参加运算的两个张量，并且要求各个张量中的元素数据类型必须一致。

（2）幂指对数运算

pow 函数也可对二维张量进行运算，例如：

对于求对数运算注意：tensorflow中只有以 e 为底的对数运算函数

注意：sqrt、exp、math.log等函数中的张量的数据类型都必须是浮点型

（5）其他运算

（6）三角函数和反三角函数运算

2、重载运算符

为了方便简洁，tensorflow重载了常用的运算符，如下表所示。

3、广播机制

可以实现不同维度的张量的运算，要求两个张量的最后一个维度必须相等。

当张量和一个数字值运算时，会将这个值广播到张量的各个元素。

4、张量和numpy之间的相互转换

当张量和 numpy的ndarray 共同参与运算时，他们之间会自动的转换。

例如，若一个张量和一个 ndarray 执行 tf 下的函数操作，则 ndarray自动转换为张量，然后进行计算；反之亦然。

当使用运算符计算时，只要操作数中有张量对象，就都转换为张量，然后进行计算。

四、张量乘法运算

我们上面介绍的乘法是元素乘法，即对应元素相乘。实际中，我们更多使用的是张量乘法运算，即矩阵的乘法。在tensor中，用二维张量表示矩阵。使用方法如下：

向量乘法：tf.matmul) 函数或 @运算符

例如：张量 a 的形状为 2, 3)，张量 b 的形状为 3, 2)，使用 tf.matmula, b) 或 a@b 得到向量乘法结果。

五、常用数据统计函数

求张量在某个维度上、或者全局的统计值。

reduce表示降维，input_tensor表示输入的张量，axis表示对哪个维度进行计算，不指定则默认为全局。

注意：在求值时，为求得精确结果，可以指定数据类型为浮点型，或者使用 tf.casttensor, dtype) 函数转换为浮点型。

求最值的索引

使用 tf.argmaxinput_tensor, axis) 和 tf.argmininput_tensor, axis) 求最大值和最小值的索引。

注意：没有指定 axis 时，默认 axis=0，和上面的reduce 有区别。

其他常用函数

1、tf.data.Dataset.from_tensor_slices

切分传入张量的第一个维度，生成输入特征/标签对，构建数据集

data = tf.data.Dataset.from_tensor_slices输入特征, 标签))

numpy 和 tensor 都适用于该语句的输入

feature = tf.constant[12, 23, 10, 17])
labels = tf.constant[0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slicesfeature, labels))

2、enumerate

enumerate 是python 的内建函数，他可遍历每个元素，常在for循环中使用，得到的是一个元组索引，元素)

seq = ['one', 'two', 'three']
for i, element in enumerateseq):
    printi, element)

for i in enumerateseq):
    printi)

结果：

0 one
1 two
2 three
0, 'one')
1, 'two')
2, 'three')

3、tf.one_hot

独热编码：在分类问题中，常用独热编码做标签

tf.one_hot待转换数据，depth=几分类)

classes = 3
labels = tf.constant[1, 0, 2])
output = tf.one_hotlabels, depth=classes)
printoutput)

结果

tf.Tensor
[[0. 1. 0.]
 [1. 0. 0.]
 [0. 0. 1.]], shape=3, 3), dtype=float32)

4、tf.nn.softmax

当n分类的n个输出通过softmax)函数，便符合概率分布。也就是使输出的每个值在0~1之间，而这些值的和为1.

y = tf.constant[1, 2, 3，4], dtype=tf.float32) # 必须是浮点型
y_pro = tf.nn.softmaxy)
printy_pro)

结果：

tf.Tensor[0.0320586  0.08714432 0.23688284 0.6439143 ], shape=4,), dtype=float32)

5、assign_sub

赋值操作，更新参数的值并返回。调用 assign_sub前，要先用 tf.Variable 指定为可训练变量（可自更新）

w.assign_subw要自减的内容)

w = tf.Variable4)
w.assign_sub1) # w -= 1
printw)

6、np.random.RandomState

import numpy as np

# 返回一个 [0, 1) 的随机值
rdm = np.random.RandomStateseed=1)  # 设置随机数种子
a = rdm.rand)  # 返回一个随机标量
b = rdm.rand2, 3)  # 返回维度为2行3列随机数矩阵
printa, "
", b)

7、

综上。

Tensorflow02-张量操作