本文主要是介绍Keras(七)TF2中基础的数据类型API介绍，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本文将介绍如下内容：
- tf.constant
- tf.strings
- tf.ragged.constant
- tf.SparseTensor
- tf.Variable
一，tf.constant常量
1，定义tf.constant常量
t = tf.constant([[1., 2., 3.], [4., 5., 6.]])
print(t)#----output------------
tf.Tensor(
[[1. 2. 3.][4. 5. 6.]], shape=(2, 3), dtype=float32)
2，根据index索引切片
tf.constant可以使用索引进行切片操作
t = tf.constant([[1., 2., 3.], [4., 5., 6.]])
print(t[..., 1:])
print(t[:, 1])#----output------------
tf.Tensor(
[[2. 3.][5. 6.]], shape=(2, 2), dtype=float32)
tf.Tensor([2. 5.], shape=(2,), dtype=float32)
3，算子操作
t = tf.constant([[1., 2., 3.], [4., 5., 6.]])
print(t+10)
print(tf.square(t))
print(t @ tf.transpose(t)) # 矩阵与其转置相乘#----output------------
tf.Tensor(
[[11. 12. 13.][14. 15. 16.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[ 1. 4. 9.][16. 25. 36.]], shape=(2, 3), dtype=float32)
tf.Tensor(
[[14. 32.][32. 77.]], shape=(2, 2), dtype=float32)
4，与numpy之间的转换
print(t.numpy())
print(np.square(t))
np_t = np.array([[1., 2., 3.], [4., 5., 6.]])
print(tf.constant(np_t))#----output------------
[[1. 2. 3.][4. 5. 6.]]
[[ 1. 4. 9.][16. 25. 36.]]
tf.Tensor(
[[1. 2. 3.][4. 5. 6.]], shape=(2, 3), dtype=float64)
5，零维数据的定义和转换
# Scalars
t = tf.constant(2.718)
print(t.numpy())
print(t.shape)#----output------------
2.718
()
二，tf.strings字符串常量
1，纯英文字符的UTF8编码对应码
t = tf.constant("cafe")
print(t)
print(tf.strings.length(t))
print(tf.strings.length(t, unit="UTF8_CHAR"))
print(tf.strings.unicode_decode(t, "UTF8"))#----output------------
tf.Tensor(b'cafe', shape=(), dtype=string)
tf.Tensor(4, shape=(), dtype=int32)
tf.Tensor(4, shape=(), dtype=int32)
tf.Tensor([ 99 97 102 101], shape=(4,), dtype=int32)
2，含中文字符的UTF8编码对应码
t = tf.constant(["cafe", "coffee", "咖啡"])
print(tf.strings.length(t))
print(tf.strings.length(t, unit="UTF8_CHAR"))
r = tf.strings.unicode_decode(t, "UTF8")
print(r)#----output------------
tf.Tensor([4 6 6], shape=(3,), dtype=int32)
tf.Tensor([4 6 2], shape=(3,), dtype=int32)
<tf.RaggedTensor [[99, 97, 102, 101], [99, 111, 102, 102, 101, 101], [21654, 21857]]>
三，tf.ragged.constant
在定义TF常量时，如果数据类型不是标准的矩阵，可以使用tf.ragged.constant来处理
1，tf.ragged_tensor的索引切片操作
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
print(r)
print(r[1])
print(r[1:2])#------output------
<tf.RaggedTensor [[11, 12], [21, 22, 23], [], [41]]>
tf.Tensor([21 22 23], shape=(3,), dtype=int32)
<tf.RaggedTensor [[21, 22, 23]]>
2，tf.ragged_tensor的行拼接操作
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
r2 = tf.ragged.constant([[51, 52], [], [71]])
print(tf.concat([r, r2], axis = 0))#------output------
<tf.RaggedTensor [[11, 12], [21, 22, 23], [], [41], [51, 52], [], [71]]>
3，tf.ragged_tensor的列拼接操作
注意： 对于列拼接，需要行数必须相同，否则会报错！
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
r3 = tf.ragged.constant([[13, 14], [15], [], [42, 43]])
print(tf.concat([r, r3], axis = 1))#------output------
<tf.RaggedTensor [[11, 12, 13, 14], [21, 22, 23, 15], [], [41, 42, 43]]>
4，将tf.RaggedTensor 转化为 tf.Tensor(使用0来补空位)
注意： 因为tf.RaggedTensor为不规则矩阵，所以转化时会使用0来补空位，填补在真实值后。
r = tf.ragged.constant([[11, 12], [21, 22, 23], [], [41]])
print(r.to_tensor())#------output------
tf.Tensor(
[[11 12 0][21 22 23][ 0 0 0][41 0 0]], shape=(4, 3), dtype=int32)
四，tf.SparseTensor
tf.ragged.constant中的填充数只能在真实值的后面，可以使用tf.SparseTensor类型解决此问题。
1，tf.SparseTensor的定义
s = tf.SparseTensor(indices = [[0, 1], [1, 0], [2, 3]],values = [1., 2., 3.],dense_shape = [3, 4])
print(s)#------output------
SparseTensor(indices=tf.Tensor(
[[0 1][1 0][2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64))
2，将tf.SparseTensor转为tf.Tensor密集矩阵
s = tf.SparseTensor(indices = [[0, 1], [1, 0], [2, 3]],values = [1., 2., 3.],dense_shape = [3, 4])
print(tf.sparse.to_dense(s)) # ---output------
tf.Tensor(
[[0. 1. 0. 0.][2. 0. 0. 0.][0. 0. 0. 3.]], shape=(3, 4), dtype=float32)
注意：若indices位置颠倒,tf.SparseTensor无法转为tf.Tensor密集矩阵.可先使用tf.sparse.reorder排序。
s5 = tf.SparseTensor(indices = [[0, 2], [0, 1], [2, 3]],values = [1., 2., 3.],dense_shape = [3, 4])
print(s5)
s6 = tf.sparse.reorder(s5)
print(tf.sparse.to_dense(s6))#-----output----------
SparseTensor(indices=tf.Tensor(
[[0 2][0 1][2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64))
tf.Tensor(
[[0. 2. 1. 0.][0. 0. 0. 0.][0. 0. 0. 3.]], shape=(3, 4), dtype=float32)
3，tf.SparseTensor的计算
s = tf.SparseTensor(indices = [[0, 1], [1, 0], [2, 3]],values = [1., 2., 3.],dense_shape = [3, 4])
print(s)
# 将tf.SparseTensor转为tf.Tensor密集矩阵
print(tf.sparse.to_dense(s))
# tf.SparseTensor的计算
s2 = s * 2.0
print(s2)# tf.SparseTensor不支持加法计算
try:s3 = s + 1
except TypeError as ex:print(ex)s4 = tf.constant([[10., 20.],[30., 40.],[50., 60.],[70., 80.]])
print(tf.sparse.sparse_dense_matmul(s, s4))#---output----------
SparseTensor(indices=tf.Tensor(
[[0 1][1 0][2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64))
tf.Tensor(
[[0. 1. 0. 0.][2. 0. 0. 0.][0. 0. 0. 3.]], shape=(3, 4), dtype=float32)
SparseTensor(indices=tf.Tensor(
[[0 1][1 0][2 3]], shape=(3, 2), dtype=int64), values=tf.Tensor([2. 4. 6.], shape=(3,), dtype=float32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64))
unsupported operand type(s) for +: 'SparseTensor' and 'int'
tf.Tensor(
[[ 30. 40.][ 20. 40.][210. 240.]], shape=(3, 2), dtype=float32)
五，tf.Variable
1 ，tf.Variable的定义
v = tf.Variable([[1., 2., 3.], [4., 5., 6.]])
print(v) # 打印变量
print(v.value()) # 将变量变成tensor
print(v.numpy()) # 打印具体的数值# ---output------
<tf.Variable 'Variable:0' shape=(2, 3) dtype=float32, numpy=
array([[1., 2., 3.],[4., 5., 6.]], dtype=float32)>
tf.Tensor(
[[1. 2. 3.][4. 5. 6.]], shape=(2, 3), dtype=float32)
[[1. 2. 3.][4. 5. 6.]]
2，tf.Variable的赋值
# assign value
v.assign(2*v)
print(v.numpy())
v[0, 1].assign(42)
print(v.numpy())
v[1].assign([7., 8., 9.])
print(v.numpy())# ----output-----
[[ 2. 4. 6.][ 8. 10. 12.]]
[[ 2. 42. 6.][ 8. 10. 12.]]
[[ 2. 42. 6.][ 7. 8. 9.]]
注意：变量的赋值只能用assign函数，不能使用=赋值
try:v[1] = [7., 8., 9.]
except TypeError as ex:print(ex)# ----output-----
'ResourceVariable' object does not support item assignment
这篇关于Keras(七)TF2中基础的数据类型API介绍的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
