Tensorflow简单实践系列（二）：张量

在上一节中，我们安装 TensorFlow 并运行了最简单的应用，这节我们熟悉 TensorFlow 中的张量。

张量是 TensorFlow 的核心数据类型。数学里面也有张量的概念，但是 TensorFlow 的张量其实不一样，更像是一个 n 维数组。

不能在常规 Python 例程中访问张量，因此 TensorFlow API 提供了很多张量的操作函数。

张量的创建

张量是一个 n 维数组。当 $n=0$ 时它就是标量；当 $n=1$ 时它就是向量；当 $n=2$ 时它就是矩阵。

所有的张量都是 Tensor 类的实例。

张量可以包含数字、字符串和布尔类型。但是一个张量包含的的元素必须是相同类型的。

创建常数

constant 函数签名：

constant(value, dtype=None, shape=None, name='Const', verify_shape=False)

代码示例：

 # 创建常数
 t1 = tf.constant('hello world')
 t2 = tf.constant([1, 2, 3])
 t3 = tf.constant([[1, 2], [3, 4]])
 t4 = tf.constant([6, 66, 666], tf.int16, [3], 'very_6', True)

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))
     print(sess.run(t2))
     print(sess.run(t3))
     print(sess.run(t4))

b'hello world'
[  ]
[[ ]
 [ ]]
[     ]

zeros/ones/fill

zeros 函数签名：

zeros(shape, dtype=tf.float32, name=None)

ones 函数签名：

ones(shape, dtype=tf.float32, name=None)

fill 函数签名：

fill(dims, value, name=None)

代码示例：

 # 创建零值张量
 t1 = tf.zeros([2])
 # 创建一值张量
 t2 = tf.ones([2, 3])
 # 填值
 t3 = tf.fill([3, 2], 666)

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))
     print(sess.run(t2))
     print(sess.run(t3))

[. .]
[[. . .]
 [. . .]]
[[ ]
 [ ]
 [ ]]

创建序列

linspance 函数签名：

linspace(start, stop, num,  name=None)

range 函数签名：

range(start, limit, delta=, dtype=None, name='range')

range(limit, delta=, dtype=None, name='range')

代码示例：

 # 创建序列
 t1 = tf.linspace(0., 1., 10)
 t2 = tf.range(-1., 1., delta=0.1)
 t3 = tf.range(-2., delta=-0.5)

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))
     print(sess.run(t2))
     print(sess.run(t3))

[.         0.11111111 0.22222222 0.33333334 0.44444445 0.5555556
 0.6666667  0.7777778  0.8888889  .        ]
[-1.00000000e+00 -8.99999976e-01 -7.99999952e-01 -6.99999928e-01
 -5.99999905e-01 -4.99999911e-01 -3.99999917e-01 -2.99999923e-01
 -1.99999928e-01 -9.99999270e-02  7.45058060e-08  1.00000076e-01
  2.00000077e-01  3.00000072e-01  4.00000066e-01  5.00000060e-01
  6.00000083e-01  7.00000107e-01  8.00000131e-01  9.00000155e-01]
[ .  -0.5 -.  -1.5]

创建随机值：正态分布

很多时候机器学习需要创建随机值。正态分布有两种：random_normal 和 truncated_normal。对于一般意义的正态分布，大约 95.4% 的概率会落在 2 倍标准方差的范围之内。

random_normal 是一般意义的正态分布，有可能有小概率会选择 2 倍标准方差的范围之外。而 truncated_normal 会有截断，保证所有值都落在 2 倍标准方差的范围之内。

函数签名：

random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

代码示例：

 # 创建随机值：正态分布
 t1 = tf.random_normal([10], dtype=tf.float64)
 t2 = tf.random_normal([20], 0, 2, dtype=tf.float64, seed=60)
 t3 = tf.truncated_normal([20], 0, 2, dtype=tf.float32, seed=60)

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))
     print(sess.run(t2))
     print(sess.run(t3))

[-0.30217352 -0.01353907  0.11583214  0.7693184  -2.03386255  0.74505956
 -1.57310053  1.16255292  1.87307555  1.1607303 ]
[ 0.43070572  1.78930951  1.90006543 -0.08042026 -2.3744852   1.88272049
  1.56724792  1.37002113 -0.12527277  4.5297854  -0.82256769  0.87545214
  0.85278266 -0.14404349  0.93608167 -2.59733351 -0.33442825  1.19330448
  4.15318877 -3.12805352]
[ 0.74157673 -0.9606577   0.46180212 -3.2753797   0.16152781 -2.189441
 -0.09013904 -2.1726682  -1.2061952   0.5147551  -3.3902223   1.843447
 -0.83136135 -2.4879968   3.2793632   2.9981675  -3.217487   -0.13496129
  1.7222887  -3.1599777 ]

观察第 2 个输出中的 4.15318877，已经超过了 2 倍标准方差（标准方差为 2），这有将近 4.6% 的概率发生。

而对于 truncated_normal 函数，不管输出多少数，也不可能有这样的输出。

创建随机值：均匀分布

random_uniform 创建最大值和最小值之间的均匀分布。

函数签名：

random_uniform(shape, minval=, maxval=None, dtype=tf.float32, seed=None, name=None)

代码示例：

 # 创建随机值：均匀分布
 t1 = tf.random_uniform([20], 0, 10, dtype=tf.int32, seed=66)

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))

[0 7 5 3 2 7 7 5 1 7 9 9 0 3 0 1 4 7 3 4]

随机打乱某张量

random_shuffle 可以对张量沿着一维方向，随机打乱顺序。

函数签名：

random_shuffle(tensor, seed=None, name=None)

代码示例：

 # 随机打乱张量（沿第一维方向）
 t1 = tf.constant([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
 t2 = tf.random_shuffle(t1, seed=66)

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))
     print(sess.run(t2))

[[   ]
 [   ]
 [   ]
 [   ]
 [  ]]
[[   ]
 [   ]
 [   ]
 [  ]
 [   ]]

设置随机种子

前面的随机函数都有一个 seed 参数，我们其实可以直接设置，让所有随机函数都会用同一个随机种子。

set_random_seed(seed)

代码示例：

 # 随机种子
 tf.set_random_seed(66)

创建张量的运算

基本的数学运算

代码示例：

 # 基本的数学运算
 x1 = tf.constant([2, 2, 2])
 x2 = tf.constant([4, 4, 4])
 my_sum1 = tf.add(x1, x2)
 my_diff1 = tf.subtract(x1, x2)
 my_prod1 = tf.multiply(x1, x2)
 my_quot1 = tf.divide(x1, x2)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(my_sum1))
     print(sess.run(my_diff1))
     print(sess.run(my_prod1))
     print(sess.run(my_quot1))
 print('-' * 20)
 # 还可以使用 Python 运算符
 my_sum2 = x1 + x2
 my_diff2 = x1 - x2
 my_prod2 = x1 * x2
 my_quot2 = x1 / x2
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(my_sum2))
     print(sess.run(my_diff2))
     print(sess.run(my_prod2))
     print(sess.run(my_quot2))
 print('-' * 20)
 # 除和整除
 my_quot3 = x1 / x2
 my_quot4 = x1 // x2
 my_quot5 = tf.divide(x1, x2)
 my_quot6 = tf.div(x1, x2)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(my_quot3))
     print(sess.run(my_quot4))
     print(sess.run(my_quot5))
     print(sess.run(my_quot6))

[  ]
[- - -]
[  ]
[0.5 0.5 0.5]
--------------------
[  ]
[- - -]
[  ]
[0.5 0.5 0.5]
--------------------
[0.5 0.5 0.5]
[  ]
[0.5 0.5 0.5]
[  ]

凑整和比较运算

代码示例：

 # 凑整和比较运算
 # 凑整
 t = tf.constant([-1.5, -1.4, 1.4, 1.5])
 r1 = tf.round(t)
 r2 = tf.rint(t)
 r3 = tf.ceil(t)
 r4 = tf.floor(t)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(r1))
     print(sess.run(r2))
     print(sess.run(r3))
     print(sess.run(r4))
 print('-' * 20)
 # 比较
 t1 = tf.constant([1., 2.])
 t2 = tf.constant([1.5, 3.])
 my_max = tf.maximum(t1, t2)
 my_min = tf.minimum(t1, t2)
 t3 = tf.constant([[6., 2.], [4., -6.]])
 min_index = tf.argmin(t3)
 max_index = tf.argmax(t3)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(my_max))
     print(sess.run(my_min))
     print(sess.run(min_index))
     print(sess.run(max_index))

[-2. -1.  1.  2.]
[-2. -1.  1.  2.]
[-1. -1.  2.  2.]
[-2. -2.  1.  1.]
--------------------
[1.5 3. ]
[1. 2.]
[1 1]
[0 0]

指数和对数

机器学习经常要用到指数和对数来计算概率。

 # 指数和对数
 x = tf.constant([0., 1., 2.])
 y = tf.constant([-1., -1., -1.])
 t1 = tf.square(x)
 t2 = tf.squared_difference(x, y)
 t3 = tf.sqrt(x)
 t4 = tf.rsqrt(x)  # tf.sqrt(x)的倒数
 t5 = tf.pow(x, 3)
 t6 = tf.exp(x)
 t7 = tf.expm1(x)  # exp(x)-1
 t8 = tf.log(x)  # ln(x)
 t9 = tf.log1p(x)  # log(x+1)
 t10 = tf.erf(x)  # 误差函数
 t11 = tf.erfc(x)  # 互补误差函数

 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(t1))
     print(sess.run(t2))
     print(sess.run(t3))
     print(sess.run(t4))
     print(sess.run(t5))
     print(sess.run(t6))
     print(sess.run(t7))
     print(sess.run(t8))
     print(sess.run(t9))
     print(sess.run(t10))
     print(sess.run(t11))

[. . .]
[. . .]
[.        .        1.4142135]
[       inf .         0.70710677]
[. . .]
[.        2.7182817 7.389056 ]
[.        1.7182819 6.389056 ]
[     -inf .        0.6931472]
[.        0.6931472 1.0986123]
[.        0.8427008 0.9953223]
[.         0.1572992  0.00467773]

向量和矩阵运算

机器学习中有很多向量（一维张量）和矩阵（二维张量）的运算。

代码示例：

 # 向量和矩阵运算
 # 点乘
 t1 = tf.constant([0., 1., 2.])
 t2 = tf.constant([1., 2., 3.])
 dot0 = tf.tensordot(t1, t2, axes=0)
 dot1 = tf.tensordot(t1, t2, axes=1)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(dot0))
     print(sess.run(dot1))
 print('-' * 20)
 # 矩阵乘法
 t3 = tf.constant([[0., 1., 2.]])
 t4 = tf.constant([[1., 2., 3.]])
 dot3 = tf.matmul(t3, tf.transpose(t4))
 # 交叉内积
 cross = tf.cross(t3, t4)
 # 对角矩阵
 t5 = tf.diag([1, 2, 3])
 # 迹
 trace = tf.trace(t5)
 # 单位矩阵
 eye = tf.eye(4)
 # 范数
 t6 = tf.constant([[1., 2.], [3., 4.]])
 norm = tf.norm(t6)
 # 求解Ax = b
 A = tf.constant([[1., 1.], [2., 3.]])
 b = tf.constant([[10.], [23.]])
 x = tf.matrix_solve(A, b)
 # 特征向量
 t7 = tf.constant([[1., 2.], [3., 4.]])
 qr = tf.qr(t7)
 # 矩阵分解
 svd = tf.svd(t7)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(dot3))
     print(sess.run(cross))
     print(sess.run(t5))
     print(sess.run(trace))
     print(sess.run(eye))
     print(sess.run(norm))
     print(sess.run(x))
     print(sess.run(qr))
     print(sess.run(svd))
 print('-' * 20)
 # 自定义运算
 m1 = tf.constant([[1, 2], [3, 4]])
 m2 = tf.constant([[5, 6], [7, 8]])
 e1 = tf.einsum('ij->ji', m1)
 e2 = tf.einsum('ij,jk->ik', m1, m2)
 # 发起一个会话
 with tf.Session() as sess:
     print(sess.run(e1))
     print(sess.run(e2))

[[. . .]
 [. . .]
 [. . .]]
8.0
--------------------
[[.]]
[[-.  . -.]]
[[  ]
 [  ]
 [  ]]

[[. . . .]
 [. . . .]
 [. . . .]
 [. . . .]]
5.477226
[[.]
 [.]]
Qr(q=array([[-0.3162278 , -0.9486833 ],
       [-0.9486833 ,  0.31622773]], dtype=float32), r=array([[-3.1622777 , -4.4271884 ],
       [ .        , -0.63245535]], dtype=float32))
(array([5.4649854 , 0.36596614], dtype=float32), array([[ 0.4045535, -0.9145143],
       [ 0.9145143,  0.4045535]], dtype=float32), array([[ 0.5760484,  0.8174156],
       [ 0.8174156, -0.5760484]], dtype=float32))
--------------------
[[ ]
 [ ]]
[[ ]
 [ ]]

总结

张量是 TensorFlow 中核心的数据类型。本文揭开了 TensorFlow 中张量的神秘面纱，包括张量的创建和张量的运算。

张量类似于 N 维数组。0 维张量就是标量，1 维张量就是向量，2 维张量就是矩阵。

我们只是熟悉了张量基本的创建和运算（很多 API 和我们熟悉的 Numpy 很类似），更多的技巧知识还需要不断在实践中总结和提升。