python如何獲取tensor()數(shù)據(jù)類型中的值
更新時間：2022年07月16日 08:54:58 作者：weixin_45963617
這篇文章主要介紹了python如何獲取tensor()數(shù)據(jù)類型中的值，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教
獲取tensor()數(shù)據(jù)類型的值
一、問題
只想要216.8973那個數(shù)。
二、解決方法
1、單個tensor
tensor.item()
就可以得到216.8973。
2、多個tensor
tensor.tolist()
完美解決~
tensorflow筆記：tensor數(shù)據(jù)類型
常見的數(shù)據(jù)類型載體
listnp.arraytf.tensorlist: 可以存儲不同數(shù)據(jù)類型，缺點不適合存儲較大的數(shù)據(jù)，如圖片np.array: 解決同類型大數(shù)據(jù)數(shù)據(jù)的載體，方便數(shù)據(jù)運算，缺點是在深度學習之前就設計好的，不支持GPUtf.tensor:更適合深度學習，支持GPU
Tensor是什么
scalar: 1.1vector:[1.1] , [1.1,2.2,……]matrix:[[1,2,3,],[4,5,6],[7,8,9]]torsor:rank > 2 （一般指的是維度大于2的數(shù)據(jù)）
但是，在tensorflow里面我們把數(shù)據(jù)的數(shù)據(jù)都叫tensor
Tensor支持的類型
int,float,doubleboolstring
創(chuàng)建不同類型的Tensor
import tensorflow as tf
# 創(chuàng)建一個整型的數(shù)據(jù)
tf.constant(1)
# Out[3]: <tf.Tensor: shape=(), dtype=int32, numpy=1>
# 注意因為這里的constant就是一個普通的tensor,不要理解為常量了（TF1.0是代表一個常量）
# 創(chuàng)建一個浮點類型的數(shù)據(jù)
tf.constant(1.)
# Out[4]: <tf.Tensor: shape=(), dtype=float32, numpy=1.0>
# 若給定一個浮點型的數(shù)據(jù)，但是指定為int類型會報錯
tf.constant(2.2,dtype=tf.int32)
# TypeError: Cannot convert 2.2 to EagerTensor of dtype int32
# 給一數(shù)指定雙精度
tf.constant(2.,dtype=tf.double)
# Out[6]: <tf.Tensor: shape=(), dtype=float64, numpy=2.0>
# 創(chuàng)建bool類型的數(shù)據(jù)
tf.constant([True,False])
# Out[7]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([ True, False])>
# 創(chuàng)建字符串型數(shù)據(jù)（很少用）
tf.constant("hello,world")
# Out[8]: <tf.Tensor: shape=(), dtype=string, numpy=b'hello,world'>
Tensor Property
下面開始介紹Tensor常用的屬性
tf.device
import tensorflow as tf
with tf.device("cpu"):
a = tf.constant([1])
with tf.device("gpu"):
b = tf.range(6)
print(a.device)
print(b.device)
# 數(shù)據(jù)在CPU和GPU上的轉(zhuǎn)換
aa = a.gpu()
print(aa.device)
bb = b.cpu()
print(bb.device)輸出結(jié)果：
/job:localhost/replica:0/task:0/device:CPU:0
/job:localhost/replica:0/task:0/device:GPU:0
/job:localhost/replica:0/task:0/device:GPU:0
/job:localhost/replica:0/task:0/device:CPU:0
轉(zhuǎn)換為numpy
c = tf.range(10) #Out[14]: <tf.Tensor: shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])> c.numpy() #Out[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])?
Tensor的維度與形狀
d = tf.range(10) d.shape # Out[17]: TensorShape([10]) d.ndim # Out[18]: 1 # 用rank查看tensor的維度（秩）：返回的是一個tensor類型的數(shù)據(jù) tf.rank(d) # Out[19]: <tf.Tensor: shape=(), dtype=int32, numpy=1> tf.rank(tf.ones([3,4,2])) # Out[20]: <tf.Tensor: shape=(), dtype=int32, numpy=3> # tf.name # 是Tensorflow1.0中的概念，現(xiàn)在基本已經(jīng)淘汰了
python中判斷一個數(shù)據(jù)是不是Tensor
import numpy as np
import tensorflow as tf
a = tf.constant(1.)
b = tf.constant([True,False])
c = tf.constant("hello,world")
d = np.arange(4)
isinstance(a,tf.Tensor)
# Out[27]: True
tf.is_tensor(b)
# Out[28]: True
tf.is_tensor(d)
# Out[29]: False
a.dtype,b.dtype,c.dtype,d.dtype
# Out[32]: (tf.float32, tf.bool, tf.string, dtype('int32'))
a.dtype == tf.float32
Out[33]: True
c.dtype == tf.string
Out[34]: True數(shù)據(jù)類型的轉(zhuǎn)換
a = np.arange(5)
a.dtype
Out[36]: dtype('int32')
aa = tf.convert_to_tensor(a) ?# numpy數(shù)據(jù)轉(zhuǎn)化方法為.astype(np.int64)
# Out[38]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>
aa = tf.convert_to_tensor(a, dtype=tf.float32)
# Out[40]: <tf.Tensor: shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.], dtype=float32)>
# 用頭tf.cast（）數(shù)據(jù)轉(zhuǎn)化
tf.cast(aa,dtype = tf.float32)
# Out[41]: <tf.Tensor: shape=(5,), dtype=float32, numpy=array([0., 1., 2., 3., 4.], dtype=float32)>
aaa = tf.cast(aa,dtype=tf.double)
# Out[43]: <tf.Tensor: shape=(5,), dtype=float64, numpy=array([0., 1., 2., 3., 4.])>
tf.cast(aaa,dtype=tf.int32)
# Out[44]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>
# bool 與 int 的轉(zhuǎn)化
b = tf.constant([0,1])
tf.cast(b,tf.bool)
# Out[46]: <tf.Tensor: shape=(2,), dtype=bool, numpy=array([False, ?True])>
bb = tf.cast(b,dtype=tf.bool)
tf.cast(bb,tf.int32)
# Out[48]: <tf.Tensor: shape=(2,), dtype=int32, numpy=array([0, 1])>tf.Variable
tf.Variable在tensorflow中相比tf.constan一樣也是Tensor，tf.Variable特指Tensorflow中哪些可以優(yōu)化的參數(shù)，比如自動求導。
tf.Variable可以理解為是專門為神經(jīng)網(wǎng)絡所設立的一個類型。
a = tf.range(5) b = tf.Variable(a) # Out[51]: <tf.Variable 'Variable:0' shape=(5,) dtype=int32, numpy=array([0, 1, 2, 3, 4])> b.dtype # Out[52]: tf.int32 b.name # Out[53]: 'Variable:0' b = tf.Variable(a, name = "input_data") b.name # Out[55]: 'input_data:0' b.trainable # Out[56]: True isinstance(b,tf.Tensor) # Out[57]: False isinstance(b,tf.Variable) # Out[58]: True tf.is_tensor(b) # Out[59]: True b.numpy() # Out[60]: array([0, 1, 2, 3, 4])
將Tensor類型轉(zhuǎn)化為python中的數(shù)據(jù)類型
a = tf.ones([]) # Out[63]: <tf.Tensor: shape=(), dtype=float32, numpy=1.0> a.numpy() # Out[64]: 1.0 int(a) # Out[65]: 1 float(a) # Out[66]: 1.0
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
DRF跨域后端解決之django-cors-headers的使用
這篇文章主要介紹了DRF跨域后端解決之django-cors-headers的使用，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2019-01-01
這篇文章主要介紹了Python列表推導式，列表生成式即List Comprehensions，是Python內(nèi)置的非常簡單卻強大的可以用來創(chuàng)建list的生成式，下面來看看詳細內(nèi)容吧2021-11-11
這篇文章主要介紹了python開發(fā)之thread線程基礎,以三個實例形式分析了Python中thread線程的基本使用方法,涉及串行與并行程序的執(zhí)行原理及線程的操作技巧,需要的朋友可以參考下2015-11-11
Python?裝飾器在很多情況下是一個非常有用的工具，它們可以用于修改或增強函數(shù)或類的行為,本篇文章將深入探討如何在?Python?中使用類裝飾器2023-06-06
Python實現(xiàn)將數(shù)據(jù)寫入netCDF4中的方法示例
這篇文章主要介紹了Python實現(xiàn)將數(shù)據(jù)寫入netCDF4中的方法,涉及Python數(shù)據(jù)處理與文件讀寫相關(guān)操作技巧,需要的朋友可以參考下2018-08-08
這篇文章主要介紹了使用Pytorch搭建模型的步驟，幫助大家更好的理解和使用Pytorch，進行機器學習，感興趣的朋友可以了解下2020-11-11
這篇文章主要介紹了Python3 抓取微信賬單信息,本文通過實例代碼給大家介紹的非常詳細，具有一定的參考借鑒價值，需要的朋友可以參考下2019-07-07
python入門之語句(if語句、while語句、for語句)
這篇文章主要介紹了python入門之語句,主要包括if語句、while語句、for語句的使用,需要的朋友可以參考下2015-01-01
Django的restframework接口框架自定義返回數(shù)據(jù)格式的示例詳解
這篇文章主要介紹了Django的restframework接口框架自定義返回數(shù)據(jù)格式,本文介紹了通過Django的restframework接口框架自定義Response返回對象來自定義返回數(shù)據(jù)格式，本文通過示例代碼給大家介紹的非常詳細，需要的朋友可以參考下2022-07-07
有時在發(fā)送一些文件如PPT、Word時,由于文件中的圖片太大,導致文件也太大,無法發(fā)送,所以本文為大家介紹了Python中圖片壓縮的方法,需要的可以參考下2025-02-02