目录

一、什么是Tensor？

二、Tensorflow常见数据类型

三、Tensorflow常见属性device\cpu\gpu\ndim\shape\rank等

1、创建一个tensor

1）tf.constant()

2)tf.Variable()

2、判断一个变量是否为tensor张量

 3、生成不同设备（cpu,gpu）上的tensor

4、判断一个tensor工作的设备

5、cpu和gpu不同设备上tensor的转换

6、tensor载体上的数据和numpy库上的数据的相互转换

7、判断变量的数据类型

8、判断变量的维度

 9、tensor下不同数据类型之间进行转换

一、什么是Tensor？

Tensor实际上就是Tensorflow中的数据载体，可以囊括所有的数据类型，如标量、矩阵、向量等

专门为神经网络中深度学习设计的一个框架中的数据载体

二、Tensorflow常见数据类型

import tensorflow as tf

三、Tensorflow常见属性device\cpu\gpu\ndim\shape\rank等

1、创建一个tensor

具体可见:《【tensorflow】——创建tensor的方法》

1）tf.constant()

a=tf.constant(数据)

2)tf.Variable()

这个是专门为神经网络的参数进行设置的一个数据类型，它含有两个属性，一个是name，一个是train able

a = tf.range(4)#[0,1,2,3]b = tf.Variable(a,name = "变量名")b.nameb.trainable#返回True，表示是可以训练的变量，系统会自动对该变量的梯度进行监督（watch）

2、判断一个变量是否为tensor张量

import tensorflow as tftf.is_tensor(变量名)#是tensor返回True，否则返回False

 3、生成不同设备（cpu,gpu）上的tensor

import tensorflow as tf#创建cpu设备上的tensor变量a
with tf.device("cpu"):a=tf.constant(1)#创建gpu设备上的tensor变量a
with tf.device("gpu"):b=tf.constant(1.1)

4、判断一个tensor工作的设备

tf.device(变量名)#返回的是一个字符串，含有当前tensor所工作的环境设备

5、cpu和gpu不同设备上tensor的转换

不同设备上的变量有些操作是不能进行的，如a,b的加法，就需要在同一个设备环境下，才能进行，否则会报错，这时候就需要使用到不同设备间tensor的转换了

#假设a是cpu上的tensor，b是gpu上的tensoraa = a.gpu()#返回的是gpu上的tensor，当然不会影响原来的tensor a所在的设备环境bb = b.cpu()#返回的是cpu上的tensor，当然不会影响原来的tensor b所在的设备环境

6、tensor载体上的数据和numpy库上的数据的相互转换

这是两个数据库，可以看成是数据载体，都可以生成不同类型的数据，但是要想数据间进行操作，必须转换成同一个载体下的数据才能进行操作

import tensorflow as tf#tensor转换为numpy变量名.numpy()#如果tensor是一个标量scalar的话，也可以通过下面的方法进行转换为numpyint(a)
float(a)#numpy转换为tensortf.convert_to_tensor(变量名，dtype=tf.数据类型)

7、判断变量的数据类型

a.dtype,b.dtype,c.dtyp#返回三个变量的数据类型(tf.float32,tf.bool,tf.string)#表示在tensor数据载体下的各种数据类型#要是想验证某一个变量是否为具体的数据类型，可以通过以下方法a.dtype == tf.float32#返回布尔类型，是返回True，不是返回False

8、判断变量的维度

维度是指是标量还是向量还是矩阵抑或是更高维的数据

b.ndim#返回的是一个标量，一个值，等于维度tf.rank(b)#返回的是一个含有变量b相关信息的tensor

 

9、tensor下不同数据类型之间进行转换

tf.cast(变量名，dtype=需要转换成的数据类型)#例如tf.cast(aa,dtype = float32/double/int32)

布尔型和整型的转化

​