TensorFlow基础知识2-张量

1张量是什么？

张量是TensorFlow管理数据的形式。在TensorFlow程序中，所有数据都是通过张量的形式来表示的。张量是TensorFlow中运算结果的引用，在张量中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。 如下代码不会得到加法的结果，而是得到对结果的一个引用。

import tensorflow as tf a = tf.constant([1.0, 2.0], name="a") b = tf.constant([2.0, 3.0], name="b") result = tf.add(a,b,name="add") # result = a + b print(result) 123456

输出

Tensor("add:0", shape=(2,), dtype=float32) 1

TensorFlow计算的结果不是一个具体的数字，而是一个张量的结构。 张量保存了三个属性：名字name、维度shape、类型type

张量的第一个属性名字不仅是张量的唯一标识符，同样也给出了这个张量是如何计算出来的。

张量的命名形式“node：src_output”， node：是节点名称， src_output:表示当前张量来自节点的第几个输出。

再次运行后可以看到输出变成如下所示：

Tensor("add_1:0", shape=(2,), dtype=float32) 1

连续运行几次代码，node节点名会变化，我们可以看看tensorboard显示 

---

2张量的使用

张量的用途主要可以总结为两类

1、对中间计算结果的引用。

import tensorflow as tf #使用张量记录中间结果 a = tf.constant([1.0, 2.0], name="a") b = tf.constant([2.0, 3.0], name="b") result = a + b #直接计算向量的和，可读性会比较差 result = tf.constant([1.0, 2.0], name="a") + tf.constant([2.0, 3.0], name="b") 123456789

通过张量存储中间结果，这样可以方便获取中间结果。

2、当计算图构造完成后，张量可以用来获得计算结果。

可以使用tf.Session().run(result)来得到计算结果。

tf.Session().run(result) 1

---

3TensorFlow的数据类型

1、Python原生类型 TensorFlow可接收Python数值、布尔值、字符串或由它们构成的列表。

t_0 = 50 #0阶张量或标量 t_1 = ["apple","peach","banana"] #1阶张量或向量 t_2 = [[True,False,False], #2阶张量或矩阵 [False,False,True], [False,True,False]] t_3 = [[[0,0],[0,1],[0,2]], #3阶张量 [[1,0],[1,1],[1,2]], [[2,0],[2,1],[2,2]]] 1234567891011

2、Numpy TensorFlow与专门操作N维数组而设计的科学计算包Numpy是紧密集成的。

import numpy as np t_0 = np.array(50,dtype=np.int32) #0阶张量或标量 t_1 = np.array(["apple","peach","banana"]) #1阶张量或向量 t_2 = np.array([[True,False,False], #2阶张量或矩阵 [False,False,True], [False,True,False]],dtype=np.bool) t_3 = np.array([[[0,0],[0,1],[0,2]], #3阶张量 [[1,0],[1,1],[1,2]], [[2,0],[2,1],[2,2]]], dtype=np.int64) 12345678910111213

手工指定Tensor对象时，使用NumPy是推荐的方式。

阶数学实例Python 例子0纯量 (只有大小)s = 4831向量(大小和方向)v = [1.1, 2.2, 3.3]2矩阵(数据表)m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]33阶张量 (数据立体)t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]nn阶 (自己想想看)….

---

TensorFlow数据类型如下表所列

数据类型(dtype)Python 类型描述DT_FLOATtf.float3232 位浮点数.DT_DOUBLEtf.float6464 位浮点数.DT_INT64tf.int6464 位有符号整型.DT_INT32tf.int3232 位有符号整型.DT_INT16tf.int1616 位有符号整型.DT_INT8tf.int88 位有符号整型.DT_UINT8tf.uint88 位无符号整型.DT_STRINGtf.string可变长度的字节数组.每一个张量元素都是一个字节数组.DT_BOOLtf.bool布尔型.DT_COMPLEX64tf.complex64由两个32位浮点数组成的复数:实数和虚数.DT_QINT32tf.qint32用于量化Ops的32位有符号整型.DT_QINT8tf.qint8用于量化Ops的8位有符号整型.DT_QUINT8tf.quint8用于量化Ops的8位无符号整型.

---

4张量的形状shape

TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：

阶形状维数实例0[ ]0-D一个 0维张量. 一个纯量.1[D0]1-D一个1维张量的形式[5].2[D0, D1]2-D一个2维张量的形式[3, 4].3[D0, D1, D2]3-D一个3维张量的形式 [1, 4, 3].n[D0, D1, … Dn]n-D一个n维张量的形式 [D0, D1, … Dn].

可以通过tf.shape查看shape

t3_3 = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] shape = tf.shape(t3_3) sess = tf.Session() print(sess.run(shape)) 1234

输出：[3 3]

---

t3_3_1 = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]] shape = tf.shape(t3_3_1) sess = tf.Session() print(sess.run(shape)) 1234

输出：[3 3 1]

---

t3_3_2 = [[[2,2], [4,4], [6,6]], [[8,8], [10,10], [12,12]], [[14,14], [16,16], [18,18]]] shape = tf.shape(t3_3_2) sess = tf.Session() print(sess.run(shape)) 1234

输出：[3 3 2]

文章出处：https://blog.csdn.net/hongxue8888/article/details/76560115