来自 NumPy 的 tf 张量 - Python

在你开始使用 TensorFlow 框架的时候，你将会遇到许多的张量，因为它是 TensorFlow 计算图的基础。这些张量有着类似于 NumPy 数组的操作方式，而且还支持更多的操作，所以使用它们来表达数据是很自然的事情。在 TensorFlow 中有多种方式来创建张量，其中一种就是使用 NumPy 数组作为输入。

使用 NumPy 数组创建张量

在 TensorFlow 中，我们可以使用 tf.convert_to_tensor() 函数将 NumPy 数组转换为张量：

import tensorflow as tf
import numpy as np

a = np.array([[1,2],[3,4]])
ta = tf.convert_to_tensor(a)
print(ta)

这会输出以下内容：

<tf.Tensor: shape=(2, 2), dtype=int64,
numpy=
array([[1, 2],
       [3, 4]])>

可以看到，通过将 NumPy 数组转换为张量，我们可以简单地将 NumPy 数组作为 TensorFlow 变量使用。

TensorFlow 张量的重要属性

张量有几个重要的属性，例如 dtype 和 shape。让我们看看如何获取这些属性。

a = np.array([[1,2],[3,4]], dtype=np.float32)
ta = tf.convert_to_tensor(a)
print(ta.dtype)
print(ta.shape)

这将输出以下内容：

<dtype: 'float32'>
(2, 2)

我们可以使用 dtype() 和 shape() 方法来分别获取张量的数据类型和形状。这些信息对于构建 TensorFlow 模型和进行计算非常重要。

TensorFlow 张量的基本数学操作

与 NumPy 数组一样，张量也支持基本的数学操作。下面，我们将使用两个 TensorFlow 张量 a 和 b 演示一些常见的数学操作。

a = tf.constant(1)
b = tf.constant(2)
print(tf.add(a, b))  # 输出 3
print(tf.subtract(a, b))  # 输出 -1
print(tf.multiply(a, b))  # 输出 2
print(tf.divide(b, a))  # 输出 2.0

以上代码演示了 TensorFlow 张量的加、减、乘、除等基本数学操作。其他的操作，例如取模、幂次方等，也可使用类似的方式实现。

总之，NumPy 数组是 TensorFlow 中与数据最紧密相连的类型之一。它们是在学习和使用 TensorFlow 过程中的很好的选择。在 TensorFlow 中，可以使用 tf.convert_to_tensor() 函数将 NumPy 数组转换为张量，并且可以使用一般的 NumPy 数组操作。