代码收藏家 Tensorflow笔记（一）Tensor的数据类型转换
目前处于学习Tensorflow的第一阶段，记录一下我的笔记。
文章目录
一、tf.tensor的基础知识
scaler（标量）：5 6
vector（向量）：[1.2]； [1.1,2.2,3.3]
matrix（矩阵）：[1.1,2.2]；[3.3,4.4]
tensor（张量）：rank>2 代表任意维度的数据
二、创建tensor
创建方式：tf.constant（value,shape=维度, dtype=数据类型, verify_shape=False）
其中，value:可以为数值、列表、字符串或者布尔型
| value | 数值、列表、字符串或者布尔型 |
|---|---|
| shape | 形状，指维数以及每一维的大小 |
| dtype | 指定数据类型，如dtype=tf.float32 |
| verify_shape | 如果修改为True的话，表示检查value的形状与shape是否相符，如果不符会报错 |
注意：shape:当第一个参数value是数字时，张量的所有元素都会用该数字填充，shape=[2, 3]。
当第一个参数value是一个列表时，注意列表的长度必须小于等于参数shape的大小（即各维大小的乘积）
a1 = tf.constant(1,shape=[2,2]) # 整型tensor，2行2列都是1
a2 = tf.constant([1,2],dtype=tf.float32) # 浮点型tensor，指定数据类型
a3 = tf.constant(True) #布尔类型
a4 = tf.constant('keep coding')
注：其他创建方式本文不涉及。
三、数据类型
1. Create（初始化）
#int类型
tf.constant(1)
<tf.Tensor: id=2, shape=(), dtype= int32, numpy=1>
#float类型
tf.constant(1.)
<tf . Tensor: id=4, shape=(), dtype= float32，numpy=1 . 0>
tf. constant(2.2, dtype=tf. int32 )
#TypeError: Cannot convert provided value to Eager Tensor.
#Provided value: 2.2 Requested dtype: int32
#double类型
tf. constant(2., dtype=tf . double )
<tf.Tensor: id=7, shape=( )，dtype= float64, numpy=2 . 0>
#bool类型
tf. constant( [True, False] )
<tf .Tensor: id=9, shape=(2, )，dtype-bool, numpy : array([ True, False])>
#string类型
tf . constant( 'hello, world.')
<tf.Tensor: id=14, shape=( )，dtype= string, numpy=b ' hello, world.'>
2.Tensor Property（属性）
a.divice
aa = a.gpu()
bb = b.cpu()
b.numpy()
b.shape()
b.ndim()
tf.rank()
例如：（此处以网课截图作为参考案例）
3.Check Tensor Type（判断是否是Tensor）
isinstance(a,tf.Tensor)
tf.is_tensor(b)
a.dtype == tf.float32
例如（仅供参考）：
In [1]: a=tf .constant( [1.] )
Out[1]: b=tf .constant( [ True,False] )
In [2]: isinstance(a, tf . Tensor )
Out[2]: True
In [3]: tf .is_ tensor( b)
Out[3]: True
4.Convert（类型转换）
a = np.arange(5) #array([0,1,2,3,4])
aa = tf.convert_to_tensor(a) #dtype=int64
aa = tf.convert_to_tensor(a,dtype=tf.int32)
tf.cast(aa,dtype=tf.float32或tf.double或tf.int32)
In [1]: b=tf. constant( [0,1] )
In [2]: tf.cast(b, dtype=tf . bool )
Out[2]: <tf . Tensor: id=31, shape=(2,), dtype=bool, numpy=array( [False, True])>
In [3]: bb=tf . cast(b, dtype=tf . bool )
In [4]: tf.cast(bb, tf. int32 )
Out[4]: <tf .Tensor: id=34, shape=(2,), dtype= int32，numpy=array([0, 1], dtype= int32)>
5. tf.Variable
x和y都是Tensor类型，但是w和b都是需要被梯度优化的参数，所以它除了是Tensor类型以外，它还有一个额外的属性，叫做Variable。
w=tf.Variable(w)
w本身是Tensor类型，我们把Tensor再包了一个tf.Variable。
包装后，它就自动具备了一些可求导的特性。程度会自动对Variable类型进行梯度信息的跟踪（记录）。
它是专门神经网络的参数所设计的类型
ininstance(b,tf.Tensor) #False
tf.is_tensor(b) #True
建议用is_tensor和dtype判断类型
6.To numpy
int(Tensor):转化为int
float(Tensor):转化为float
