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 tfa = 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 + bprint(result)

输出

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

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)

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")

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)

---

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]]]

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 npt_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)

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 = 483 1 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]] 3 3阶张量 (数据立体) t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]] n n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_FLOAT tf.float32 32 位浮点数. DT_DOUBLE tf.float64 64 位浮点数. DT_INT64 tf.int64 64 位有符号整型. DT_INT32 tf.int32 32 位有符号整型. DT_INT16 tf.int16 16 位有符号整型. DT_INT8 tf.int8 8 位有符号整型. DT_UINT8 tf.uint8 8 位无符号整型. DT_STRING tf.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_BOOL tf.bool 布尔型. DT_COMPLEX64 tf.complex64 由两个32位浮点数组成的复数:实数和虚数. DT_QINT32 tf.qint32 用于量化Ops的32位有符号整型. DT_QINT8 tf.qint8 用于量化Ops的8位有符号整型. DT_QUINT8 tf.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))

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))

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))

输出：[3 3 2]

---

参考：http://wiki.jikexueyuan.com/project/tensorflow-zh/resources/dims_types.html