tensorflow 关于张量 shape 数组
来源:互联网 发布:h5登录注册页面源码 编辑:程序博客网 时间:2024/06/14 10:24
张量的阶、形状、数据类型
TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.
阶
在TensorFlow系统中,张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶(有时是关于如顺序或度数或者是n维)是张量维数的一个数量描述.比如,下面的张量(使用Python中list定义的)就是2阶.
t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
你可以认为一个二阶张量就是我们平常所说的矩阵,一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]
来访问其中的任何元素.而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.
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]]
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)....
形状
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:
tensorflow中有一类在tensor的某一维度上求值的函数,
如:
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
参数(1)input_tensor:待求值的tensor。
参数(2)reduction_indices:在哪一维上求解。
参数(3)(4)可忽略
举例说明:
# 'x' is [[1., 2.]# [3., 4.]]
x是一个2维数组,分别调用reduce_*函数如下:首先求平均值,
tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数,那么就在所有的元素中取平均值tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参数为0,则第一维的元素取平均值,即每一列求平均值tf.reduce_mean(x, 1) ==> [1., 2.] #
指定第二个参数为1,则第二维的元素取平均值,即每一行求平均值
同理,还可用tf.reduce_max()求最大值。阅读全文
0 0
- tensorflow 关于张量 shape 数组
- tensorflow 关于张量 shape 数组
- [Tensorflow] tensor张量基础(dtype,shape,variable,slice and join)
- tensorflow-张量
- tensorflow张量详解
- tensorflow张量使用
- Tensorflow——张量
- TensorFlow基础知识2-张量
- TensorFlow数据模型--张量
- tensorflow中张量的理解
- TensorFlow的张量与会话
- 【TensorFlow】tf中关于shape的问题汇总
- tensorflow的张量(tensor)的理解
- Tensorflow中张量数据类型的转换
- tensorflow如何查看张量属性,如阶数
- TensorFlow计算图、张量、回话详细介绍
- 3、TensorFlow 的数据模型-----张量(Tensor)
- (Tensorflow+python)张量、会话、向前传播
- CSDN优秀博客连接,博客之星连接
- Python基础篇之continue继续循环
- 欢迎使用CSDN-markdown编辑器
- Ubuntu 目录
- JavaScript基础学习笔记
- tensorflow 关于张量 shape 数组
- Modern C++ CI
- centos nginx配置https访问
- android 提示过时的几个方法
- 在arm-linux环境下的编译ActiveMQ-CPP 嵌入式版本库
- 机器学习(5)概念积累
- Android中Context的详细介绍
- leetcode 374[easy]--- Guess Number Higher or Lower
- linux常用库函数