1 引言

TensorFlow2.0版本已经发布，虽然不是正式版，但预览版都发布了，正式版还会远吗？相比于1.X，2.0版的TensorFlow修改的不是一点半点，这些修改极大的弥补了1.X版本的反人类设计，提升了框架的整体易用性，绝对好评！

不多说了，赶紧来学习一波吧，做最先吃螃蟹的那一批人！先从TensorFlow的基本数据结构——张量（tensor）开始。

2 创建

2.1 constant()方法

>>> import tensorflow as tf>>> tf.constant(1) # 创建一个整型张量
     
      >>> tf.constant(1.) # 创建一个浮点型张量
      
       >>> tf.constant(2., dtype=tf.double) # 创建的同时指定数据类型
       
        >>> tf.constant([[1.,2.,3.],[4.,5.,6.]]) # 通过传入一个list参数创建
        
       
      
     

如果输入的数据与指定的数据类型不相符，会报错：

>>> tf.constant(2.1, dtype=tf.int32)Traceback (most recent call last): ……TypeError: Cannot convert provided value to EagerTensor. Provided value: 2.1 Requested dtype: int32

2.2 convert_to_tensor()方法

>>> tf.convert_to_tensor(np.ones([2, 3]))>>> import numpy as np>>> tf.convert_to_tensor(np.ones([2, 3]))
     
      convert_to_tensor()方法也接收普通list类型作为参数来转换为tensor类型：>>> tf.convert_to_tensor([[2.,3.],[3., 4.]])
      
     

2.3 创建元素为指定值的tensor

如果你熟悉numpy创建数组的方法，你一定见过zeros()、ones()等方法，TensorFlow中也有这些方法。

zeros()、ones()、zeros_like()、ones_like()、fill()：

>>> tf.zeros([2, 3, 3]) # 创建一个元素全为0，形状为[2, 3, 3]的tensor
     
      >>> tf.ones([2, 3]) # 创建一个元素全为1，形状为[2, 3]的tensor
      
       >>> tf.zeros_like(a) # 仿照a的shape创建一个全为0的tensor
       
        >>> b = tf.zeros([2, 3, 3])>>> tf.ones_like(b) # 仿照b的shape创建一个全为1的tensor
        
         >>> tf.fill([2,3],5) # 创建爱元素全为5，形状为[2,3]的tensor
         
        
       
      
     

2.4 随机初始化

在实际应用中，经常需要随机初始化元素服从某种分布的tensor，TensorFlow中也提供了这种功能。

（1）从指定正态分布中随机取值：tf.random.normal()。例如，随机初始化一个元素服从均值为1，方差为1的正态分布且形状为[2, 3]的tensor：

>>> tf.random.normal([2, 3], mean=1, stddev=1)

<tf.Tensor: id=41, shape=(2, 3), dtype=float32, numpy=

array([[-1.7992694 , 1.7001245 , 1.4642581 ],

[ 0.43032944, 0.76772875, 1.4315588 ]], dtype=float32)>

tf.random.normal()在默认情况下，均值为0.0，方差为1.0，第一个参数shape为必传参数。

（2）从指定的截断正态分布中随机取值：truncated_normal()。意思是从指定的正太分布中取值，但是取值范围在两个标准差范围内，也就是：[ mean - 2 * stddev, mean + 2 * stddev ]

>>> tf.random.truncated_normal([2, 3], mean=1, stddev=1)
     

（3）从指定均匀分布中随机取值：tf.random.uniform()。

>>> tf.random.uniform([2, 3], minval=1, maxval=2) # 在1~2之间均匀分布
     

3 索引

下面所有的索引都以一下张量a为例进行演示：

>>> a = tf.convert_to_tensor(np.arange(80).reshape(2,2,4,5))>>> a
     

3.1 基础索引

TensorFlow支持Python原生的基础索引方式，即多个方括号逐步索引取值：[idx][idx][idx]，每个方括号对应一个维度。

>>> a[0] # 取第一个维度
     
      >>> a[0][1] # 同时筛选两个维度
      
       >>> a[0][1][3][3] # 同时对4个维度进行筛选
       
      
     

这种索引数据的方法简单，易于理解，但是可读性差，只能按维度依次索引数据，也不能索引列。

3.2 numpy索引

TensorFlow也继承了numpy中的部分索引方式，如果对numpy索引方式不熟悉，可以查看我的前几篇博客（）：

（1）[idx1, idx2, idx3]

这种索引方式是在一个方括号内写下所有的索引，每个索引序号之间用逗号隔开。

>>> a[1] # 筛选第一维度，这跟基础索引一样
     
      >>> a[1,1, 3] # 同时帅选3个维度
     

（2）冒号切片与步长：[start:end:step]

这种索引方式在Python原生的list类型中也是常见的，而且使用方法也是一样的。

>>> a[1,:,0:2] # 对第1维度选第二块数据，对第二维度选所有数据，对第三维度选前两行
     
      >>> a[1,:,0:2,0:4] # 继续上面的例子，对第4维度筛选去前4列
      
       >>> a[1,:,0:2,0:4:2] # 对第4维度加上步长，每隔一个数据取一次
       
      
     

也可以使用负值步长表示逆序索引，但要注意，负数步长时，原本的[start : end : step]也要跟着编程[end : start : step]：

>>> a[1,:,0:2,4:0:-1]
     
      >>> a[1,:,0:2,4:0:-2]
      
     

在numpy和TensorFlow中还有“..."（三个英文句号）的使用，“..."用于表示连续多个维度全选：

>>> a[1,...,0:4] # 等同于a[1, : , : ,0:4]
     
      >>> a[0,0,...] # 等同于a[0,0,:,:]
      
     

3.3 gather与gather_nd

gather与gather_nd是指TensorFlow通过gather()方法和gather_nd()方法提供的两种索引方式。在numpy中，可以通过嵌套list的方式来指定无规则的索引：

>>> b = np.arange(20).reshape(4,5)>>> barray([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14],[15, 16, 17, 18, 19]])>>> b[1, [0,3,4]] # 选取第2行的第1列、第4列、第5列array([5, 8, 9])>>> b[[1,2], [0,3,4]]

但是在TensorFlow中，这种索引方式并没有从numpy中继承下来：

>>> t = tf.convert_to_tensor(b)>>> t
     
      >>> t[1, [0,3,4]]Traceback (most recent call last):……TypeError: Only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices, got [0, 3, 4]
     

还好的是，在TensorFlow中通过gather()方法和gather_nd()方法提供了这种索引方法。

（1）gather()方法

>>> tf.gather(b, axis=0, indices=[0, 2, 3]) # 选取第1行，第3行，第4行
     
      >>> tf.gather(b, axis=1, indices=[0, 2, 3]) # 选取第1列，第3列，第4列
      
     

仔细观察上面gather()方法例子，可以发现，第一个参数时数据源，还有两个参数中，axis指的是将要的维度，indices指的是需要选取的序号。

（2）gather_nd()

gather()方法一次只能对一个维度进行索引，gather_nd()方法可以同时对多个维度进行索引。

>>> tf.gather_nd(b, [[0, 2],[3, 3]]) # 选取第1行第3列的那个数据，和第4行第4列的数据
     

4 维度变换

4.1 reshape()

numpy中的ndarray数组有个一reshape()方法，用来改变数组的shape，TensorFlow中的reshape()方法，功能也是一样的，不过TensorFlow中的reshape()没有绑定到tensor中：

>>> a = tf.ones([2,3,4])>>> a.shapeTensorShape([2, 3, 4])>>> a
     
      >>> b = tf.reshape(a, [2, 2, 6])>>> b.shapeTensorShape([2, 2, 6])>>> b
      
       >>> c = tf.reshape(a, [3, 2, 4])>>> c
       
      
     

可以看到，在上面的例子中，通过reshape()方法可以很方便的改变tensor的形状，得到一个新的tensor，需要注意的是在进行维度变换时，数据的重量是不变的，上面的例子无论是[2,3,4]， [2, 2, 6]还是[3, 2, 4]都对应总量24，如果对应不上，就会产生异常。

4.2 转置：transpose()

transpose()方法提供了一种类似于装置的操作：

>>> a = tf.constant([[1,2,3],[4,5,6]])>>> a.shapeTensorShape([2, 3])>>> a = tf.constant([[1,2,3],[4,5,6]])>>> a.shapeTensorShape([2, 3])>>> b = tf.transpose(a)>>> b.shapeTensorShape([3, 2])>>> b
     

在默认情况下，transpose()方法会将所有维度按逆序方式完全转置，当然也可以通过perm参数执行需要转置的维度：

>>> a=tf.constant([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])>>> a
     
      >>> b = tf.transpose(a) # 不指定perm参数时，相当于tf.transpose(a, perm=[2, 1, 0])>>> b
      
       >>> c = tf.transpose(a, perm=[2, 1, 0])>>> c
       
        >>> d = tf.transpose(a, perm=[0, 2, 1]) # 第一个维度不做变换，对第二、第三维度进行转置>>> d
        
       
      
     

4.3 添加维度：expand_dims()

>>> a=tf.constant([[1,2,3],[4,5,6]])>>> a
     
      >>> tf.expand_dims(a, axis=0)
      
       >>> tf.expand_dims(a, axis=1)
       
        >>> tf.expand_dims(a, axis=-1)
        
         >>> tf.expand_dims(a, axis=2)
         
        
       
      
     

expand_dims()方法添加维度时，通过axis参数指定添加维度的位置，正数表示从前往后数，负数表示从后往前数。

4.4 压缩维度：squeeze()

squeeze()方法与expand_dims()方法作用刚好相反，其作用是删除张量中dim为1的维度：

>>> a = tf.ones([1,3,1,2])>>> a
     
      >>> tf.squeeze(a)