深度学习（二）--tensor张量

1

/ 写在前面的话 /

关于“tensorflow”这个专栏，我打算一直更新下去，文章基本都是随着我的进度来的，我也是查找了一些资料并根据自己的一些理解写的，可能内容偶尔会有错误，如果出现错误，大家可以在公众号后台滴滴我，或者直接微信轰炸我，我不会介意的。

2

/tensorflow之tensor张量 /

一、张量的概念

1.在TensorFlow中，所有的数据都通过张量的形式来表示

2.从功能的角度，张量可以简单理解为多维数组

• 零阶张量表示标量（scalar），也就是一个数；
• 一阶张量为向量（vector），也就是一维数组；
• n阶张量可以理解为一个n维数组；

3.张量并没有真正保存数字，它保存的是计算过程

二、张量的属性

• Tensor(“Add:0”, shape=(), dtype=float32)

名字（name）

• “node:src_output”：node 节点名称，src_output 来自节点的第几个输出

形状（shape）

• 张量的维度信息，shape=() ，表示是标量

类型（type）

• 每一个张量会有一个唯一的类型
• TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

三、张量的形状

三个术语描述张量的维度：阶（rank）、形状（shape） 、维数（dimension number）

其实可以从最外围的括号数量可以看出这个张量是几阶的，例如 [[[ 那么这个张量就是三维的也就是三阶

给大家写个小栗子：

import tensorflow as tf
tens1 = tf.constant([[[1, 2, 3], [2, 2, 3]],
                     [[5, 5, 5], [1, 4, 2]],
                     [[2, 5, 3], [2, 6, 1]],
                     [[1, 3, 5], [2, 3, 4]]], name='tens1')
print(tens1)

其实通过我们人眼可以看出它是一个三维数组 我们来看一下输出结果：

Tensor("tens1:0", shape=(4, 2, 3), dtype=int32)

第一个参数是name 第二个参数是形状 第三个参数是数据类型 我们主要来看看第二个形状 首先解释 4 — 就是在最外围有四组二维数组 2 — 就是在二维数组里面有两个一维数组 3 — 就是在一维数组里有三个标量

再来一个例子

import tensorflow as tf

scalar = tf.constant(100)
vector = tf.constant([1, 2, 3, 4])
matrix = tf.constant([[1, 2, 3], [1, 2, 3]])
cube_matrix = tf.constant([[[1], [2], [3]], [[4], [1], [5]], [[1], [2], [7]]])
print(scalar.get_shape())
print(vector.get_shape())
print(matrix.get_shape())
print(cube_matrix.get_shape())

打印结果：

()
(4,)
(2, 3)
(3, 3, 1)

get_shape方法就是得到张量的形状，也就是几维数组

四、张量的阶

1.概念

2.获取张量的元素

如何获取张量里面的元素呢？来看下面代码：

import tensorflow as tf
tens1 = tf.constant([[[1, 4], [1, 5]], [[3, 4], [2, 4]], [[2, 4], [8, 4]]])

sess = tf.Session()

print(sess.run(tens1)[1, 1, 0])

sess.close()

相信大家从代码就可以看出，是如何获取到里面的元素了，这里的索引与数组中的索引是一样的从0开始。

五、张量的类型

这里大家注意一下，多个张量进行运算时，必须是同等类型，否则无法进行运算，会报错！