TensorFlow 修炼之道（1）——张量（Tensor）

张量

TensorFlow名字可以拆解为两部分：Tensor、Flow。其中，Tensor 就表示张量。

在 TensorFlow 的世界里，张量可以简单理解为多维数组。其中，零阶张量表示常量（constant），也就是一个数；一阶张量表示向量（vector），也就是一个一维数组；二阶张量表示矩阵（matrix），也就是一个二维数组；n阶张量表示n维数组。

与Python numpy中多维数组不同的是，TensorFlow 中的张量并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

In [1]:

import tensorflow as tfa = tf.constant([1.0, 2.0])b = tf.constant([2.0, 3.0])result = tf.add(a, b)print("a: %s" % a)print("b: %s" % b)print("result: %s" % result)

a: Tensor("Const:0", shape=(2,), dtype=float32)
b: Tensor("Const_1:0", shape=(2,), dtype=float32)
result: Tensor("Add:0", shape=(2,), dtype=float32)

tf.constant 可以创建一个张量（常量，一旦创建后数值不会改变），tf.add 可以得到两个张量相加后的结果，它们其实表示的都只是一个计算过程，并不会得到最终的结果。

直接打印出变量a、b、result，会发现，得到只是一个张量的结构，包含了名字（name）、形状（shape）、类型（type）。

张量名称

每个张量都有一个名称，而且是唯一的，张量的命名规则是“node:src_output”，node表示结点，src_output表示当前张量来自结点的第几个输出（从0开始）。每种计算都会有一个默认的结点名称，比如constant默认生成的结点名称就是“Const”，我们可以通过name参数来更改默认的结点名称。

In [2]:

tf.constant([1,2,3], name="constant")

Out[2]:

<tf.Tensor 'constant:0' shape=(3,) dtype=int32>

上面张量的名称为“constant:0”，“constant”表示节点名称，“0”表示对应的编号。

张量形状

在通过 tf.ones/tf.zeros 等方法创建张量时，可以通过shape参数来指定不同的形状。

In [3]:

o1 = tf.ones(shape=(4, 5, 2))o1

Out[3]:

<tf.Tensor 'ones:0' shape=(4, 5, 2) dtype=float32>

可以调用 tf.reshape 方法来改变张量的形状。

Tips： 可以使用 -1 来智能推断维度

In [4]:

print(tf.reshape(o1, shape=(4, 10)))# 使用 -1 自动推断维度print(tf.reshape(o1, shape=(2, -1)))

Tensor("Reshape:0", shape=(4, 10), dtype=float32)
Tensor("Reshape_1:0", shape=(2, 20), dtype=float32)

张量类型

除了形状之外，每个张量还有一个属性是类型，用来表示张量中每个元素的数据类型。可以使用 tf.cast 来转换类型。

一般在使用 tf.placeholder 创建张量的时候经常会指定张量类型。

tf.placeholder 创建的张量其实也是一种常量，不过它可以指定

In [5]:

tf.cast(o1, dtype=tf.int8)

Out[5]:

<tf.Tensor 'Cast:0' shape=(4, 5, 2) dtype=int8>

张量求值

想要获取张量真正的数值，需要构建一个图（Graph），然后创建一个会话（Session）。

求值的最简单的方法是使用Tensor.eval方法。Tensor.eval返回与张量相同内容的numpy数组。

In [6]:

# 张量求值sess = tf.InteractiveSession()print("result: %s" % result.eval())sess.close()

result: [ 3.  5.]

占位符

TensorFlow 提供了占位符的功能，可以使用 tf.placeholder 来实现，使用 placeholder 可以先定义形状、类型、名称，等到调用执行的时候再赋予具体的数值。

先定义占位符类型为 tf.float16，执行的时候再通过 feed_dict 来赋予数值。

In [7]:

with tf.Session():
    p1 = tf.placeholder(dtype=tf.float16)
    p2 = p1 + 1.0
    print(p2.eval(feed_dict={p1: 2.0}))

3.0

定义占位符类型为 tf.float16，shape为（None, 2），表示最后接收的数据的形状的第一个维度可以是大于1的任意值，第二个维度必须是2。

In [8]:

# 先定义占位符类型为 tf.float16，执行的时候再通过 feed_dict 来赋予数值with tf.Session():
    p1 = tf.placeholder(dtype=tf.float16, shape=(None, 2))
    p2 = p1 + 1.0
    print(p2.eval(feed_dict={p1: [[1.0, 2.0], [10.0, 20.0]]}))

[[  2.   3.]
 [ 11.  21.]]

ipynb文件预览：

http://nbviewer.jupyter.org/github/Oner-wv/TensorFlow-Note/blob/master/%E5%9F%BA%E7%A1%80%E7%9F%A5%E8%AF%86/01.%E5%BC%A0%E9%87%8F%EF%BC%88Tensor%EF%BC%89.ipynb

github代码地址：

https://github.com/Oner-wv/TensorFlow-Note/blob/master/%E5%9F%BA%E7%A1%80%E7%9F%A5%E8%AF%86/01.%E5%BC%A0%E9%87%8F%EF%BC%88Tensor%EF%BC%89.ipynb

作者：无邪，个人博客：脑洞大开，专注于机器学习研究。