Tensorflow 入门基础——向LLM靠近一小步

进入tensflow的系统学习，向LLM靠拢。

目录

• [1. tensflow的数据类型](#1. tensflow的数据类型)
• • [1.1 数值类型](#1.1 数值类型)
  • [1.2 字符串类型](#1.2 字符串类型)
  • [1.3 布尔类型的数据](#1.3 布尔类型的数据)
• [2. 数值精度](#2. 数值精度)
• [3. 类型转换](#3. 类型转换)
• • [3.1 待优化的张量](#3.1 待优化的张量)
• [4 创建张量](#4 创建张量)
• • [4.1 从数组、列表对象创建](#4.1 从数组、列表对象创建)
  • [4.2 创建全0或者1张量](#4.2 创建全0或者1张量)
  • [4.3 创建自定义数值张量](#4.3 创建自定义数值张量)
• [5. 创建已知分布的张量（正态和均匀分布）](#5. 创建已知分布的张量（正态和均匀分布）)
• [6 创建序列](#6 创建序列)
• 参考资料

1. tensflow的数据类型

1.1 数值类型

数值类型的张量是tensorflow主要的数据载体，根据维度数来区分，可分为：

• 标量Scalar：单个实数，如1，2，3，4等，维度数为0，shape为[]
• 向量Vector：n个实数的有序集合，如[1,2,5,62,21]等，维度为1，长度不定，shape为[n]
• 矩阵Matrix：n行m列实数的有序集合，如[[1,23],[2,32],[5,23]]的矩阵，维度数为2，每个维度上长度不定，shape为[n,m]
• 张量Tensor：所有维度数dim >2的数据统称为张量。张量的每个维度也作为轴Axis，一般维度代表了具体的业务含义，例如shape的张量[2,32,32,3]的张量共有4维，如果表图片数据，每个维度分别代表图片数量、图片高度、图片宽度、图片通道数，其中2代表了2张图片，32代表了高，宽均为32，3代表了RGB的3个通道。

在tensorflow中，一般将标量、向量、矩阵也都统称为张量，不作区分需要根据张量的维度数和形状自行判断。

1. 创建一个标量，并查看数据类型

a=1.1 ##python的普通常量
type(a)
import tensorflow as tf
b=tf.constant(2.2) #tf的张量
type(b)

结果：（张量只能通过tf的函数去创建，不能使用python的普通语法创建）

2. 创建一个向量并展示向量信息

c=tf.constant([1,23,4,5,56])
c

结果：（id是tensorflow中内部索引的对象编号，shape表示张量的形状，dtype代表张量数职的精度值，张量numpy()方法可以返回Numpy.array类型的数据，方便到处数据到系统其他模块）

#将数据导出为numpy的array类型
c.numpy()

3. 与标量不同，向量的定义碧玺通过list传给tf.constant() 函数，例如创建一个和多个元素的向量：

##将一个元素的list转换为张量
d=tf.constant([1.2])

##多个元素的list转换为张量
e=tf.constant([1.2,13,14,151,15,15])

4. 创建矩阵张量原理同list

#创建矩阵张量
f=tf.constant([[1,2,3,4],[5,6,7,8]])
f

1.2 字符串类型

TF除了支持数值类型的张量之外，还支持字符串类型的数据，例如在表示图片数据时，可以先记录图片的路径字符串，再通过预处理函数根据路径读取图片张量。

1. 创建字符串张量

a=tf.constant('hello,DEEP learning!')
a

2. tf还提供了一些2字符串类型的工具函数，如小写化lower()、拼接join()、长度length()、切分split()等。

tf.strings.lower(a) #小写化字符串

但是在tf中最常用的还是数字类型的数据，因此字符类型的数据的函数不做过多赘述。

1.3 布尔类型的数据

为了方便表达比较运算操作的结果，tf还支持布尔类型的张量，布尔类型张量只需要传入python语言的布尔类型数据，转换成为内部布尔类型即可。

1. 创建布尔类型的张量

a=tf.constant(True)
a

2. 创建布尔类型的向量

b=tf.constant([True,False])
b

3. tf的布尔类型和python的布尔类型并不等价，不能通用

a=tf.constant(True)
a is True

2. 数值精度

对于数值类型的张量，可以保存为不同字节长度的精度，如浮点数3.14即可以保存为16位（bit）长度，也可以保存为32位甚至64位的精度。位越长，精度越高，同时占用的空间也就越大，常用的精度类型有tf.int16、tf.int32、tf.int64、tf.int64、tf.float16、tf.float32、tf.float64等，其中tf.float64即为tf.double。

tf.constant(123456789,dtype=tf.int16)
tf.constant(123456789,dtype=tf.int32)

可以看到，保存精度过低，数据123456789发生了溢出，得到了错位的结果，一般使用tf.int32、tf.int64精度，对于浮点数，高精度的张量可以表示更精准的数据，例如：采用tf.float32精度2保存'pai' 时，实际保存为的数据位3.1415927.

import numpy as np
np.pi
tf.constant(np.pi,dtype=tf.float32)

如果采用tf.float64精度保存，则能够获得更高的精度，实现如下：

tf.constant(np.pi,dtype=tf.float64)

3. 类型转换

系统的每个模块使用数据类型，数值类型可能各不相同，对于不符合要要求的张量的类型及精度，需要通过tf.cast函数进行转换，例如：

a=tf.constant(np.pi,dtype=tf.float16)
tf.cast(a,tf.double)

进行类型转换时，需要保证转换操作的合法性，例如将高精度的张量转换为低精度的张量时，可能发生数据溢出隐患：

a=tf.constant(123456789,dtype=tf.int32)
tf.cast(a,tf.int16)

布尔类型与整型之间互信转型是合法的，是比较常见的操作：

a=tf.constant([True,False])
tf.cast(a,tf.int32)

一般末日0表示false,1表示True，在tf中，将非0数字，都视为True，例如：

a=tf.constant([-1,0,1,2])
tf.cast(a,tf.bool)

3.1 待优化的张量

为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量，TF增加了一种专门的数据类型来支持梯度信息的记录：tf.Variable。tf.Variable类型在普通的张量类型的基础上增加了name、trainable等属性来支持计算图的构建。由于梯度运算会消耗大量的计算资源，而且会自动更新相关参数，对于不需要优化的张量，如何神经网络的输入X，不需要通过tf.Variable封装；相反，对于需要计算梯度优化的张量，如神经网络层的W和b，需要通过tf.Variable包裹以便TF跟踪梯度信息。

例如tf.Variable() 函数可以将普通张量转换为待优化的张量：

d=tf.constant([-1,0,1,2])#创建tf张量
b=tf.Variable(d)#转换为variable类型

其中name和trainable是variable特有的属性，name属性用于命名计算图中的变量，这趟命名体系是TF内部维护的，一般不需要用户关注name属性，trainable属性表示当前张量是否被优化，创建variable对象时是默认启用优化标志，可以设置trainable=false来设置张量不需要优化。

除了通过普通的方式创建variable，就可以之间创建，例如：

a=tf.Variable([1,2],[3,4])#直接创建variable张量
a

4 创建张量

创建tf中，可以通过多种方式创建张量，如从python列表对象创建，从numpy数组创建，或者创建采样自某种已知分布的张量等。

4.1 从数组、列表对象创建

Numpy array 数据和python list 列表是python程序中间非常重要的数据载体，很多数据通过python语言将数据加载至array 或者 list，再转化为Tensor类型，通过TF运算处理后导入到array或者list。方便其他模块调用。

通过tf.convert_to_tensor函数可以创建新Tensor，并保存在python list 对象或者numpy array 对象中的数据导入到Tensor：

tf.convert_to_tensor([1,2.])

import numpy as np
tf.convert_to_tensor(np.array([[1,2],[3,4]]))

注意，numpy 浮点数数组默认使用64位精度保存数组，转换到tensor类型时精度位tf.float64，可以在需要时将其转换为tf.float32类型。

实际上，tf.constant() 和tf.convert_to_tensor() 都能够自动地把numpy 数组或者python列表数据类型转化为Tensor类型。

4.2 创建全0或者1张量

将张量创建为全0或者全1数据是非常常见的张量初始化手段。考虑线性变换y=wx+b，将权值权值矩阵w初始化为全1矩阵，偏置b初始化为全0的向量，此时线性变化层输出y=x，因此是一种比较好的层初始化状态，通过tf.zero() 和 tf.ones() 即可创建任意形状，且内容全0或者全1的张量。创建全0和1的标量：

tf.zeros([]) #创建全0的标量
tf.ones([]) #创建全1的标量

创建全0和全1的向量：

tf.zeros([1]) #创建全0的向量
tf.ones([1]) #创建全1的向量

通过tf.zeros_like，tf.ones_like 可以方便地新建与某个张量shape 一致，且内容为全0或全1的张量。例如创建一张张量A形状一样的全0张量：

a=tf.ones([2,3])
tf.zeros_like(a)

a=tf.zeros([3,2])
tf.ones_like(a)

tf. *_like 是一系列的便捷函数，可以通过tf.zero(a.shape)等方式实现。

4.3 创建自定义数值张量

除了初始化为全0，或者全1的张量之外，有时也需要全部初始化为某个自定义数值的张量，例如将张量的数值全量初始化为-1等。

通过tf.fill(shape,value)，可以创建全自定义数值value的张量，形状有shape参数制定。例如：

• 创建所有元素为-1的标量：

tf.fill([],-1) #创建-1的标量

• 创建所有元素为-1的向量

tf.fill([1],-1)#创建-1的向量

• 创建所有元素为99的向量

tf.fill([2,2],99)#创建2行2列，元素全为99的矩阵

5. 创建已知分布的张量（正态和均匀分布）

正态分布和均匀分布是常见的分布之一，通过tf.random.normal(shape,mean=0.0，stddev=1.0) 可以创建形状为shape，均值mean，标准差为stddev的正态分布N（mean，stddev^3）。例如，创建均值为0，标准差1的正态分布：

tf.random.normal([2,2])

创建均值为1，标准差为2的正态分布：

tf.random.normal([2,2],mean=1,stddev=2)

通过tf.random.uniform(shape,minval=0,maxval=none,dtype=tf.float32)可以创建采样自[minval,maxval]区间的均匀分布的张量。例如：

tf.random.uniform([2,2])#创建采样自区间[0,1]，shape=[2,2]的矩阵：

创建采样区间在[0.10]，shape为[2,2]的矩阵：

tf.random.uniform([2,2])

如果需要均匀采样整型类型的数据，就必须指定采样区间最大值maxval参数，同时指定数据类型为tf.int*类型:

tf.random.uniform([2,2],maxval=100,dtype=tf.int32)#创建采样自[0.100]均匀缝补的整形矩阵

6 创建序列

如果需要快速创建序列，可以使用range( x,delta=1)函数,创建[0,x)，步长为delta的整型序列

tf.range(10)#创建步长为1，0-10的数据序列

tf.range(10,delta=2)#创建步长为2，0-10的数据序列

创建[2,10)，步长为2的序列：

tf.range(2,10,delta=2)

参考资料

• TensorFlow深度学习