2.2tensorflow2.3常量定义、类型、使用实例、运算

自己开发了一个股票智能分析软件，功能很强大，需要的点击下面的链接获取：

https://www.cnblogs.com/bclshuai/p/11380657.html

1.1  常量constant

1.1.1         常量的声明

值不能改变的张量。创建通过constant来实现, constant()是一个函数，提供在tensorflow中定义常量(不可更改的张量)的方法。

tf.constant(

    value,//值列表，多个值用[]包括，逗号分开，按照shape指定的形状去生成，列表中的值数量等于shape（例如2*3）定义的大小，否则tensorflow2.3会报错。

    dtype=None,.//定义常量的数据类型

    shape=None,//如果要设置行列，可以用[2,3]设置，表示2行3列

    name='Const',//定义变量的名字

    verify_shape=False// verify_shape默认为False，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。

)

1.1.2         常量的类型

（1）标量常量

t_1 = tf.constant(4)

（2）向量常量1行3列

t_2 = tf.constant([4,3,2])

（3）[M，N] 的零元素矩阵

M行N列的零元素矩阵，数据类型（dtype）可以是 int32、float32 等：

tf.zeros([M,N],tf.dtype)；

zero_t = tf.zeros([2,3],tf.int32) # Results in an 2x3 array of zeros:[[0 0 0],[0 0 0]]

（4）[M，N]元素均为 1 的矩阵

ones_t = tf.ones([2,3],tf.int32) # Results in an 2x3 array of ones:[[1 1 1],[1 1 1]]

（5）等差排布的序列

tf.linspace(start,stop,num)#起始值和总的数量

相应的值为 (stop-start)/(num-1)。例如：

range_t = tf.linspace(2.0,5.0,5)

#We get:[2. 2.75 3.5 4.25 5.]

从开始（默认值=0）生成一个数字序列，增量为 delta（默认值=1），直到终值（但不包括终值）：

tf.range(start,limit,delta)//起始值和增量

下面给出实例：

range_t = tf.range(10)

#Result:[0 1 2 3 4 5 6 7 8 9]

（6）形状为 [M，N] 的正态分布随机数组

t_random=tf.random_normal([M,N],mean=2.0,stdev=4,seed=12)

其中random_normal是随机数的类型，还有另外两种：截尾正太分布随机数组truncated_normal， M和N表示M行N列，mean表示随机数组中值的平均值，stddev表示随机值的标准差，seed表示随机种子。

（7）限定范围的随机正太分布数组

[minval（default=0），maxval] 范围内创建形状为 [M，N] 的给定伽马分布随机数组

t_random=tf.random_uniform([2,3],minval=1,maxval=4,seed=12)。

(8)从随机数组中裁剪出指定大小的数组，行列都要小于等于原矩阵

tf.random_crop(t_random,[2,2],seed=12)

1.1.3         常量的使用实例

import tensorflow as tf
# int型
a = tf.constant(1)
print(a)
# float型
b = tf.constant(1.)
print(b)
# double型
c = tf.constant(2.,dtype=tf.float64)
print(c)
# bool型
d = tf.constant([True,False])
print(d)
# string型
e = tf.constant('hello world')
print(e)
#向量
f=tf.constant([1,2,3])
print(f)
#矩阵
g=tf.constant([1,2,3,4,5,6],shape=[2,3])
print(g)
h=tf.constant(1,shape=[3,2])
print(h)
i=tf.compat.v1.constant([[1,2],[4,5]],shape=[2,2],verify_shape=False)
print(i)
#元素值都为0的矩阵zeros([M,N],tf.dtype)
zero_t = tf.zeros([2,3],tf.int32)
print(zero_t)
"""输出
tf.Tensor(
[[0 0 0]
 [0 0 0]], shape=(2, 3), dtype=int32)
 """
#元素都为1的矩阵
one_t=tf.ones([3,2],tf.int32)
print(one_t)
"""输出
tf.Tensor(
[[1 1]
 [1 1]
 [1 1]], shape=(3, 2), dtype=int32)
 """
#等差分布的向量
range_t =tf.linspace(2.0, 5.0, 5)
print(range_t)#输出tf.Tensor([2.   2.75 3.5  4.25 5.  ], shape=(5,), dtype=float32)
#形状为 [M，N] 的正态分布随机数组
t_randomnormal=tf.compat.v1.random_normal([4,4],mean=2.0,stddev=4,seed=12)
print(t_randomnormal)
"""输出
[[ 0.25347447  5.37991     1.9527606  -1.5376031 ]
 [ 1.2588985   2.8478067  11.545206   -1.0216885 ]
 [ 3.6549058   6.6507907   4.42358     1.4614596 ]
 [ 1.4433938   1.7380679  -1.6191797   2.0041263 ]], shape=(4, 4), dtype=float32)
 """
#限定范围的随机正太分布数组
t_randomuniform=tf.compat.v1.random_uniform([2,2],minval=1,maxval=4,seed=12)
print(t_randomuniform)
"""输出
tf.Tensor(
[[2.9084575 3.7722745]
 [3.028832  2.5063753]], shape=(2, 2), dtype=float32)
 """
#从大的数组中裁剪出出小的矩阵，行列都要小于等于大的矩阵
t_randomcrop=tf.compat.v1.random_crop(t_randomnormal,[2,3],seed=12)
print(t_randomcrop)
"""输出
tf.Tensor(
[[ 2.8478067 11.545206  -1.0216885]
 [ 6.6507907  4.42358    1.4614596]], shape=(2, 3), dtype=float32)
"""

1.1.4         算术运算符运算

对于除法多说两句，Tensor有两种除法，一种是”/”，另一种是”//”。”/”是浮点除法，对应的是tf.truediv，而”//”是计算整除，对应tf.floordiv。

d01 = tf.constant(1)

d02 = tf.constant(2)

d_add = d01 + d02

print(d_add)#Tensor("add:0", shape=(), dtype=int32)



d_sub = d01 - d02

print(d_sub)#Tensor("sub:0", shape=(), dtype=int32)



d_mul = d01 * d02

print(d_mul)#Tensor("mul:0", shape=(), dtype=int32)

d_fdiv = d01 / d02#浮点数运算

print(d_fdiv)#Tensor("truediv:0", shape=(), dtype=float64)

d_idiv=d01//d02#整型运算

print(d_idiv)#Tensor("floordiv:0", shape=(), dtype=int32)

d_mod = d01 % d02

print(d_mod)#Tensor("mod:0", shape=(), dtype=int32)



d_minus = -d01

print(d_minus)#Tensor("Neg:0", shape=(), dtype=int32)

1.1.5         比较运算符运算

对于>, <, >=, <=等关系，都会生成一个需要Session来运算的Tensor对象。只有==是例外，它会立即返回这两个Tensor是否是同一对象的结果

d11 = d01 > d02

d12 = d01 < d02

d13 = d01 == d02

d14 = d01 >= d02

d15 = d01 <= d02



print(d11)#Tensor("Greater:0", shape=(), dtype=bool)

print(d12)#Tensor("Less:0", shape=(), dtype=bool)

print(d13)#False

print(d14)#Tensor("GreaterEqual:0", shape=(), dtype=bool)

print(d15)#Tensor("LessEqual:0", shape=(), dtype=bool)

1.1.6         数学运算

整形，一定要先转换成浮点型才能进行sqrt，sin等数学函数计算。

d31 = tf.constant(100, dtype=tf.float64)

d32 = tf.sqrt(d31)

print(ss.run(d32))#10.0