日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學(xué)無先后，達(dá)者為師

網(wǎng)站首頁 編程語言 正文

python如何獲取tensor()數(shù)據(jù)類型中的值_python

作者：weixin_45963617 ? 更新時(shí)間： 2022-09-08 編程語言

獲取tensor()數(shù)據(jù)類型的值

一、問題

只想要216.8973那個(gè)數(shù)。

二、解決方法

1、單個(gè)tensor

tensor.item()

就可以得到216.8973。

2、多個(gè)tensor

tensor.tolist()

?

完美解決~

tensorflow筆記：tensor數(shù)據(jù)類型

常見的數(shù)據(jù)類型載體

  • list
  • np.array
  • tf.tensor
  • list: 可以存儲(chǔ)不同數(shù)據(jù)類型，缺點(diǎn)不適合存儲(chǔ)較大的數(shù)據(jù)，如圖片
  • np.array: 解決同類型大數(shù)據(jù)數(shù)據(jù)的載體，方便數(shù)據(jù)運(yùn)算，缺點(diǎn)是在深度學(xué)習(xí)之前就設(shè)計(jì)好的，不支持GPU
  • tf.tensor:更適合深度學(xué)習(xí)，支持GPU

Tensor是什么

  • scalar: 1.1
  • vector:[1.1] , [1.1,2.2,……]
  • matrix:[[1,2,3,],[4,5,6],[7,8,9]]
  • torsor:rank > 2 （一般指的是維度大于2的數(shù)據(jù)）

但是，在tensorflow里面我們把數(shù)據(jù)的數(shù)據(jù)都叫tensor

Tensor支持的類型

  • int, float, double
  • bool
  • string

創(chuàng)建不同類型的Tensor

import tensorflow as tf
# 創(chuàng)建一個(gè)整型的數(shù)據(jù)
tf.constant(1)
# Out[3]: <tf.Tensor: shape=(), dtype=int32, numpy=1>
# 注意因?yàn)檫@里的constant就是一個(gè)普通的tensor,不要理解為常量了（TF1.0是代表一個(gè)常量）

# 創(chuàng)建一個(gè)浮點(diǎn)類型的數(shù)據(jù)
tf.constant(1.)
# Out[4]: <tf.Tensor: shape=(), dtype=float32, numpy=1.0>

# 若給定一個(gè)浮點(diǎn)型的數(shù)據(jù)，但是指定為int類型會(huì)報(bào)錯(cuò)
tf.constant(2.2,dtype=tf.int32)
# TypeError: Cannot convert 2.2 to EagerTensor of dtype int32

# 給一數(shù)指定雙精度
tf.constant(2.,dtype=tf.double)
# Out[6]: <tf.Tensor: shape=(), dtype=float64, numpy=2.0>

# 創(chuàng)建bool類型的數(shù)據(jù)
tf.constant([True,False])
# Out[7]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([ True, False])>

# 創(chuàng)建字符串型數(shù)據(jù)（很少用）
tf.constant("hello,world")
# Out[8]: <tf.Tensor: shape=(), dtype=string, numpy=b'hello,world'>

Tensor Property

下面開始介紹Tensor常用的屬性

tf.device

import tensorflow as tf
with tf.device("cpu"):
    a = tf.constant([1])
with tf.device("gpu"):
    b = tf.range(6)

print(a.device)
print(b.device)
# 數(shù)據(jù)在CPU和GPU上的轉(zhuǎn)換
aa = a.gpu()
print(aa.device)
bb = b.cpu()
print(bb.device)

輸出結(jié)果：

/job:localhost/replica:0/task:0/device:CPU:0
/job:localhost/replica:0/task:0/device:GPU:0
/job:localhost/replica:0/task:0/device:GPU:0
/job:localhost/replica:0/task:0/device:CPU:0

轉(zhuǎn)換為numpy

c = tf.range(10)
#Out[14]: <tf.Tensor: shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>
c.numpy()
#Out[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])?

Tensor的維度與形狀

d = tf.range(10)

d.shape
# Out[17]: TensorShape([10])

d.ndim
# Out[18]: 1

# 用rank查看tensor的維度（秩）：返回的是一個(gè)tensor類型的數(shù)據(jù)
tf.rank(d)
# Out[19]: <tf.Tensor: shape=(), dtype=int32, numpy=1>
tf.rank(tf.ones([3,4,2]))
# Out[20]: <tf.Tensor: shape=(), dtype=int32, numpy=3>

# tf.name
# 是Tensorflow1.0中的概念，現(xiàn)在基本已經(jīng)淘汰了

python中判斷一個(gè)數(shù)據(jù)是不是Tensor

import numpy as np
import tensorflow as tf

a = tf.constant(1.)
b = tf.constant([True,False])
c = tf.constant("hello,world")
d = np.arange(4)

isinstance(a,tf.Tensor)
# Out[27]: True
tf.is_tensor(b)
# Out[28]: True
tf.is_tensor(d)
# Out[29]: False

a.dtype,b.dtype,c.dtype,d.dtype
# Out[32]: (tf.float32, tf.bool, tf.string, dtype('int32'))

a.dtype == tf.float32
Out[33]: True
c.dtype == tf.string
Out[34]: True

數(shù)據(jù)類型的轉(zhuǎn)換

a = np.arange(5)
a.dtype
Out[36]: dtype('int32')
aa = tf.convert_to_tensor(a) ?# numpy數(shù)據(jù)轉(zhuǎn)化方法為.astype(np.int64)
# Out[38]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>
aa = tf.convert_to_tensor(a, dtype=tf.float32)
# Out[40]: <tf.Tensor: shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.], dtype=float32)>

# 用頭tf.cast（）數(shù)據(jù)轉(zhuǎn)化
tf.cast(aa,dtype = tf.float32)
# Out[41]: <tf.Tensor: shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.], dtype=float32)>
aaa = tf.cast(aa,dtype=tf.double)
# Out[43]: <tf.Tensor: shape=(5,), dtype=float64, numpy=array([0., 1., 2., 3., 4.])>
tf.cast(aaa,dtype=tf.int32)
# Out[44]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>


# bool 與 int 的轉(zhuǎn)化
b = tf.constant([0,1])
tf.cast(b,tf.bool)
# Out[46]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([False, ?True])>
bb = tf.cast(b,dtype=tf.bool)
tf.cast(bb,tf.int32)
# Out[48]: <tf.Tensor: shape=(2,), dtype=int32, numpy=array([0, 1])>

tf.Variable

tf.Variable在tensorflow中相比tf.constan一樣也是Tensor，tf.Variable特指Tensorflow中哪些可以優(yōu)化的參數(shù)，比如自動(dòng)求導(dǎo)。

tf.Variable可以理解為是專門為神經(jīng)網(wǎng)絡(luò)所設(shè)立的一個(gè)類型。

a = tf.range(5)
b = tf.Variable(a)
# Out[51]: <tf.Variable 'Variable:0' shape=(5,) dtype=int32, numpy=array([0, 1, 2, 3, 4])>
b.dtype
# Out[52]: tf.int32
b.name
# Out[53]: 'Variable:0'
b = tf.Variable(a, name = "input_data")
b.name
# Out[55]: 'input_data:0'
b.trainable
# Out[56]: True

isinstance(b,tf.Tensor)
# Out[57]: False
isinstance(b,tf.Variable)
# Out[58]: True
tf.is_tensor(b)
# Out[59]: True

b.numpy()
# Out[60]: array([0, 1, 2, 3, 4])

將Tensor類型轉(zhuǎn)化為python中的數(shù)據(jù)類型

a = tf.ones([])
# Out[63]: <tf.Tensor: shape=(), dtype=float32, numpy=1.0>
a.numpy()
# Out[64]: 1.0
int(a)
# Out[65]: 1
float(a)
# Out[66]: 1.0

原文鏈接：https://blog.csdn.net/weixin_45963617/article/details/123093857

欄目分類
最近更新