[程序员指南2]张量

[程序员指南2]张量

TensorFlow如名称所示，是定义和运行涉及张量的计算的框架。甲张量是向量和矩阵的一般化到潜在的更高的尺寸。在内部，TensorFlow表示张量作为基本数据类型的n维数组。

在编写TensorFlow程序时，您操作和传递的主要对象是tf.Tensor。一个tf.Tensor对象代表最终产生一个值的部分定义的计算。TensorFlow程序首先构建tf.Tensor对象图，详细说明如何根据其他可用的张量计算每个张量，然后运行该图的部分以实现所需的结果。

 

A tf.Tensor具有以下属性：

• 数据类型（float32，int32或string，例如）
• 一个形状

Tensor中的每个元素具有相同的数据类型，数据类型始终是已知的。形状（即，它所具有的维数以及每个维度的大小）可能只是部分已知的。如果输入的形状也是完全知道的，大多数操作会产生一个已知形状的张量，但在某些情况下，只能在图形执行时找到张量的形状。

 

一些类型的张量是特殊的，这些将在程序员指南的其他单位中被覆盖。主要有：

• tf.Variable
• tf.Constant
• tf.Placeholder
• tf.SparseTensor

除了tf.Variable，张量的值是不可变的，这意味着在单个执行的上下文中，张量只有一个值。然而，两次评估相同的张量可以返回不同的值; 例如，张量可以是从磁盘读取数据或生成随机数的结果。

秩

一个对象的等级tf.Tensor是它的维数。等级的同义词包括顺序或程度或n维。请注意，TensorFlow中的等级与数学中的矩阵等级不同。如下表所示，TensorFlow中的每个等级对应于不同的数学实体：

秩	数学实体
0	标量（仅限量表）
1	矢量（大小和方向）
2	矩阵（数字表）
3	3-Tensor（数字立方体）
ñ	n-Tensor（你得到的想法）

 

排名0

以下代码段演示了创建几个0级变量：

 

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, -4.85), tf.complex64)

注意：字符串在TensorFlow中被视为单个项目，而不是字符序列。可以使用标量字符串，字符串向量等

排名1

要创建1级tf.Tensor对象，可以将项目列表作为初始值传递。例如

mystr = tf.Variable(["Hello"], 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, -4.85), (7.5, -6.23)], tf.complex64)

更高级

2级tf.Tensor对象由至少一行和至少一列组成：

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)

较高级的传感器类似地由n维阵列组成。例如，在图像处理期间，使用许多等级4的张量，其尺寸对应于批次间图像，图像宽度，图像高度和颜色通道。

my_image = tf.zeros([10, 299, 299, 3])  # batch x height x width x color

获得tf.Tensor对象的等级

要确定tf.Tensor对象的排名，请调用该tf.rank方法。例如，以下方法以编程方式确定tf.Tensor上一节中定义的排名：

r = tf.rank(my3d)
# After the graph runs, r will hold the value 3.

参考tf.Tensor切片

由于a tf.Tensor是单元格的n维数组，要访问单个单元格，tf.Tensor您需要指定n个索引。

对于等级0张量（标量），不需要索引，因为它已经是单个数字。

对于等级1张（矢量），传递单个索引可以访问一个数字：

my_scalar = my_vector[2]

请注意，如果要从向量中动态选择一个元素，则[]可以在本身内部传递的索引本身是一个标量tf.Tensor。

 对于2级以上的张量，情况更有意思。对于 tf.Tensor2级，通过两个数字返回一个标量，如预期的： 

my_scalar = my_matrix[1, 2]

然而，传递单个数字返回矩阵的子向量，如下所示：

my_row_vetor = my_matrix[2]
my_column_vector = my_matrix[:, 3]

该:标记是作为“离开这个维度单独”蟒蛇切片语法。这在高级Tensors中是有用的，因为它允许您访问其子向量，子矩阵，甚至其他子传感器。

形状

张量的形状是每个维度中元素的数量。在图形构建期间，TensorFlow自动推断形状。这些推测的形状可能具有已知或未知的等级。如果排名是已知的，每个维度的大小可能是已知的或未知的。

TensorFlow文档使用三个符号约定来描述张量维数：等级，形状和维数。下表显示了这些如何相互关联：

 

秩	形状	尺寸数	例
0	[]	0-D	0-D张量。一个标量
1	[D0]	1-D	具有形状的1-D张量[5]。
2	[D0，D1]	2-D	形状为[3,4]的2-D张量。
3	[D0，D1，D2]	3-D	形状为[1,4,3]的3-D张量。
ñ	[D0，D1，... Dn-1]	ND	形状为[D0，D1，... Dn-1]的张量。

形状可以通过Python列表/元组的ints或者 tf.TensorShape。

获取tf.Tensor对象的形状

访问a的形状有两种方式tf.Tensor。在构建图形时，询问已知的张量形状通常是有用的。这可以通过读取对象的shape属性来完成tf.Tensor。该方法返回一个TensorShape对象，它是表示部分指定形状的方便方法（因为，当构建图形时，并不是所有形状都将被完全知道）。

在运行时也可以获得一个tf.Tensor代表另一个的完全定义的形状tf.Tensor。这是通过调用tf.shape 操作完成的。这样，您可以构建一个图形，通过构建依赖于输入的动态形状的其他张量来操纵张量的形状 tf.Tensor。

例如，这里是如何使一个与给定矩阵中的列数相同大小的零向量：

zeros = tf.zeros(tf.shape(my_matrix)[1])

的要素数的张量的是其所有的形状的尺寸的乘积。始终是标量的元素数1。由于通常有许多不同的形状具有相同数量的元素，所以能够改变形状tf.Tensor，保持其元素固定是非常方便的。这可以做到tf.reshape。

以下示例演示如何重塑张量：

# coding=utf-8

import tensorflow as tf
rank_three_tensor = tf.ones([3, 4, 5])
matrix = tf.reshape(rank_three_tensor, [6, 10])  # Reshape existing content into
                                                 # a 6x10 matrix
matrixB = tf.reshape(matrix, [3, -1])  #  Reshape existing content into a 3x20
                                       # matrix. -1 tells reshape to calculate
                                       # the size of this dimension.
matrixAlt = tf.reshape(matrixB, [4, 3, -1])  # Reshape existing content into a
                                             #4x3x5 tensor
with tf.Session() as sess:
    print sess.run(rank_three_tensor)
    print sess.run(matrix)
    print sess.run(matrixB)
    print sess.run(matrixAlt)

[[[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]

 [[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]

 [[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]] rank_three_tensor = tf.ones([3, 4, 5])
[[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]] matrix = tf.reshape(rank_three_tensor, [6, 10])
[[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.]
 [ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.]] matrixB = tf.reshape(matrix, [3, -1]) 
[[[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]

 [[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]

 [[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]

 [[ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]
  [ 1.  1.  1.  1.  1.]]] matrixAlt = tf.reshape(matrixB, [4, 3, -1]) 

数据类型

除了维度之外，Tensors有一个数据类型。tf.DataType有关数据类型的完整列表，请参阅程序员指南中的 页面。

不可能有tf.Tensor多个数据类型。然而，可以将任意数据结构序列化为strings并将其存储在tf.Tensors中。

可以使用以下方式将tf.Tensors从一个数据类型转换为另一个数据类型 tf.cast：

# coding=utf-8

import tensorflow as tf

a = tf.constant([1, 2, 3])
# Cast a constant integer tensor into floating point.
float_tensor = tf.cast(a, dtype=tf.float32)

with tf.Session() as sess:
    print sess.run(a)
    print sess.run(float_tensor)
输出：
[1 2 3]
[ 1.  2.  3.]

检查tf.Tensor数据类型使用Tensor.dtype属性。

 tf.Tensor从python对象创建时，您可以选择指定数据类型。如果没有，TensorFlow会选择一个可以表示数据的数据类型。TensorFlow将Python整数转换为tf.int32和python浮点数tf.float32。否则TensorFlow在转换为数组时使用与numpy相同的规则。

评估传感器

一旦建立了计算图，就可以运行生成特定的计算，tf.Tensor并获取分配给它的值。这通常对于调试以及TensorFlow的大部分工作都是必需的。

评估Tensor的最简单的方法是使用该Tensor.eval方法。例如：

# coding=utf-8

import tensorflow as tf

constant = tf.constant([1, 2, 3])
tensor = constant * constant

with tf.Session() as sess:
    print sess.run(tensor)
    print tensor.eval()
输出：
[1 4 9]
[1 4 9]

该eval方法仅在默认tf.Session为活动状态时有效（有关详细信息，请参阅“图表和会话”）。

Tensor.eval 返回与张量相同内容的numpy数组。

有时无法评估tf.Tensor没有上下文，因为它的值可能取决于不可用的动态信息。例如，依赖于Placeholders的张量不能在没有提供值的情况下进行评估Placeholder。

# coding=utf-8

import tensorflow as tf

p = tf.placeholder(tf.float32)
t = p + 1.0


with tf.Session() as sess:
    print t.eval()  # This will fail, since the placeholder did not get a value.
    print t.eval(feed_dict={p: 2.0})  # This will succeed because we're feeding a value to the placeholder.

请注意，可以喂养任何一个tf.Tensor，而不仅仅是占位符。

其他模型构造可能会使评估tf.Tensor 变得复杂。TensorFlow不能直接评估tf.Tensor定义的内部函数或内部控制流构造。如果a tf.Tensor取决于队列中的值，则评估该值tf.Tensor只有在某些进入队列之后才会生效; 否则，评估它会挂起。在使用队列时，请记住tf.train.start_queue_runners在评估任何tf.Tensors 之前调用。

印刷传感器

为了进行调试，您可能需要打印a的值tf.Tensor。当 tfdbg提供高级调试支持时，TensorFlow还有一个操作直接打印a的值tf.Tensor。

请注意，打印时您很少想使用以下模式 tf.Tensor：

t = <<some tensorflow operation>>
print t  # This will print the symbolic tensor when the graph is being built.
         # This tensor does not have a value in this context.

此代码打印tf.Tensor对象（表示延迟计算），而不是其值。相反，TensorFlow提供的tf.Print操作，它返回其第一张张参数不变，同时打印tf.Tensor作为第二个参数传递的集合 。

tf.Print必须使用正确使用其返回值。见下面的例子

t = <<some tensorflow operation>>
tf.Print(t, [t])  # This does nothing
t = tf.Print(t, [t])  # Here we are using the value returned by tf.Print
result = t + 1  # Now when result is evaluated the value of `t` will be printed.

当你评估result你会评估一切result取决于。由于result取决于t，评估t具有打印其输入（旧值t）的副作用t。

 

 

 

 

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/yinghuali/p/7725285.html