机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

663

附录 F

特殊数据结构

在本附录中，我们将快速浏览 TensorFlow 支持的数据结构，而不仅仅是常规的浮点或整

数张量。这包括字符串、不规则张量、稀疏张量、张量数组、集合和队列。

F.1 字符串

张量可以容纳字节串，这对于自然语言处理特别有用（见第 16 章 ）：

>>>

tf.constant(b"hello world")

<tf.Tensor: id=149, shape=(), dtype=string, numpy=b'hello world'>

如果你使用 Unicode 字符串来构建一个张量，则 TensorFlow 会自动将其编码为 UTF-8：

>>>

tf.constant("café")

<tf.Tensor: id=138, shape=(), dtype=string, numpy=b'caf\xc3\xa9'>

也可以创建表示 Unicode 字符串的张量。只需创建一个 32 位整数的数组，每个整数代

表一个 Unicode 代码点

注 1

：

1

>>>

tf.constant([ord(c)

for

c

in

"café"])

<tf.Tensor: id=211, shape=(4,), dtype=int32,

numpy=array([ 99, 97, 102, 233], dtype=int32)>

在类型为 tf.string 的张量中，字符串长度不是张量形状的一部分。换句话说，字符串被

视为原子值。但是，在 Unicode 字符串张量（即 int32 张量）中，字符串的长度是张量形 ...