Tensorflow:张量基础 *** 作

Tensorflow版本:V2.8.0

1. 逻辑运算

  Tensorflow中的逻辑运算主要有以下几种:

方法	比较逻辑
tf.math.equal	a = b a= b a=b
tf.math.greaterl	a > b a>b a>b
tf.math.less	a < b aa<b
tf.math.greater_equal	a ≥ b a\ge b a≥b
tf.math.less_equal	a ≤ b a\le b a≤b
tf.math.not_equal	a ≠ b a\ne b a​=b
tf.math.is_nan	a = n a n a= nan a=nan

具体使用方法举例如下：

2. 数据统计

  Tensorflow中常用的数据统计主要包括：最值、最值位置、均值、范数等。具体使用方法如下：

• 范数:
  
• 最大值、最小值、均值、和：和范数一样，不仅可以求张量全局的的最大、最小、均值等信息，也可以求制定维度上的最大、最小、均值等信息。
  
  虽然示例中主要是用tf.int32这种类型的张量，但是很多方法只能对tf.float或tf.doule类型的张量进行运算。比如L2范数的求解及tf.math.reduce_std()。

3. 填充

  前述介绍tf.stack()方法时讲到，只有shape完全相同的张量；而tf.concat()方法则要求只能有一个维度上的长度不同。若不符合这两个条件，则不能进行张量的合并。这个时候可以先对长度较短的张量进行扩张，这就需要用到tf.pad()方法。

上例中，张量a具有两个维度：对于axis=0该维度，其对应的扩充方案为tf.pad()中的参数paddings中的第0个([1,2])，即在该维度的左侧填充1个0，右侧填充2个0；对于axis=1该维度，其对应的扩充方案为paddings中的第1个([2,3])。即在该维度的左侧填充2个0，右侧填充3个0；默认填充0，可以通过参数constant_values修改；paddings的长度必须等于张量a的维度数，若在某个维度上不进行扩充，可将其对应的扩充方案设为[0,0]。若paddins的长度不等于对应张量的维度，则报错InvalidArgumentError: The first dimension of paddings must be the rank of inputs 。具体如下：

除了CONSTANT模式，tf.pad()还提供了其他模式：REFLECT、SYMMETRIC。

4. 数据限幅

  数据限幅就是对张量中元素的范围进行最大最小限制。具体如下：