什么是张量
张量的数学概念
在数学里，张量是一种几何实体，广义上表示任意形式的“数据”。张量可以理解为0阶（rank）标量、1阶向量和2阶矩阵在高维空间上的推广，张量的阶描述它表示数据的最大维度。
| 阶 |
数据实体 |
Python样例 |
| 0 |
标量 |
scalar=1 |
| 1 |
向量 |
vector=[1,2,3] |
| 2 |
矩阵 |
matrix=[[1,2,3], [4,5,6], [7,8,9]] |
| 3 |
数据立方 |
tensor=[[[1],[2],[3]], [[4],[5],[6]], [[7],[8],[9]]] |
| n |
n阶张量 |
… |
TensorFlow中的张量
在TensorFlow中，张量（Tensor）表示某种相同数据类型的多维数组。
因此，张量有两个重要属性：
- 数据类型（如浮点型、整型、字符串等）
- 数组形状（各个维度的大小）
Q: TensorFlow张量是什么？
- 张量是用来表示多维数据的
- 张量是执行操作时的输入或输出数据。
- 用户通过执行操作来创建或计算张量。
- 张量的形状不一定在编译时确定，可以在运行时通过形状推断计算得出。
在TensorFlow中，有几类比较特别的张量，由以下操作产生：
- tf.constant //常量
- tf.placeholder //占位符
- tf.Variable //变量
代码示例
0阶张量
1
2
3
4
| mammal = tf.Variable("Elephant", tf.string)
ignition = tf.Variable(451, tf.int16)
floating = tf.Variable(3.14159265359, tf.float64)
its_complicated = tf.Variable(12.3 - 4.85j, tf.complex64)
|
输出：
1
2
3
4
| [<tf.Variable 'Variable:0' shape=() dtype=string_ref>,
<tf.Variable 'Variable_1:0' shape=() dtype=int32_ref>,
<tf.Variable 'Variable_2:0' shape=() dtype=float32_ref>,
<tf.Variable 'Variable_3:0' shape=() dtype=complex128_ref>]
|
1阶张量
1
2
3
4
| mystr = tf.Variable(["Hello", "World"], tf.string)
cool_numbers = tf.Variable([3.14159, 2.71828], tf.float32)
first_primes = tf.Variable([2, 3, 5, 7, 11], tf.int32)
its_very_complicated = tf.Variable([12.3 - 4.85j, 7.5 - 6.23j], tf.complex64)
|
输出：
1
2
3
4
| [<tf.Variable 'Variable_4:0' shape=(2,) dtype=string_ref>,
<tf.Variable 'Variable_5:0' shape=(2,) dtype=float32_ref>,
<tf.Variable 'Variable_6:0' shape=(5,) dtype=int32_ref>,
<tf.Variable 'Variable_7:0' shape=(2,) dtype=complex128_ref>]
|
2阶张量
1
2
3
4
5
6
| mymat = tf.Variable([[7],[11]], tf.int16)
myxor = tf.Variable([[False, True],[True, False]], tf.bool)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
rank_of_squares = tf.rank(squarish_squares)
mymatC = tf.Variable([[7],[11]], tf.int32)
|
输出：
1
2
3
4
5
6
| [<tf.Variable 'Variable_8:0' shape=(2, 1) dtype=int32_ref>,
<tf.Variable 'Variable_9:0' shape=(2, 2) dtype=bool_ref>,
<tf.Variable 'Variable_10:0' shape=(4, 1) dtype=int32_ref>,
<tf.Variable 'Variable_11:0' shape=(2, 2) dtype=int32_ref>,
<tf.Tensor 'Rank:0' shape=() dtype=int32>,
<tf.Variable 'Variable_12:0' shape=(2, 1) dtype=int32_ref>]
|
4阶张量
1
| my_image = tf.zeros([10, 299, 299, 3])
|
输出：
1
| <tf.Tensor 'zeros:0' shape=(10, 299, 299, 3) dtype=float32>
|