第二阶段-tensorflow程序图文详解（二） Tensors

如TensorFlow名称所示，TensorFlow是定义和运行涉及张量的计算的框架。 张量是向量和矩阵向可能更高维度的推广。 在内部，TensorFlow将张量表示为基本数据类型的n维数组。

A tf.Tensor has the following properties:

• a data type (float32, int32, or string, for example)
• a shape

张量中的每个元素具有相同的数据类型，并且数据类型总是已知的。
形状（即它具有的维数和每个维度的大小）可能只是部分已知的。 如果输入的形状也是完全已知的，大多数操作会产生完全已知形状的张量，但在某些情况下，只能在图形执行时刻找到张量的形状。

有一些已经只定的张量类型
- tf.Variable
- tf.Constant
- tf.Placeholder
- tf.SparseTensor
除 tf.Variable之外，tensor的值在程序上下文中一般不会变化。但两次evaluation同一个tensor，可以返回不同的结果。例如：可以从磁盘读取数据，或者随机产生数据。

一，rank（等级）
一个tf.Tensor对象的等级是它的维数。 rank的同义词包括order ， degree ， n-dimension。 请注意，TensorFlow中的rank与数学中的矩阵rank并不相同。 如下表所示，TensorFlow中的每个等级对应于不同的数学实体：

rank 0

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：一个字符串在TensorFlow中被视为单个项目，而不是字符序列。 可能是标量字符串，字符串向量等等。

rank 1
To create a rank 1 tf.Tensor object, you can pass a list of items as the initial value. For example:

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)

Higher ranks

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)

高维的张量同样由一个n维数组组成。 例如，在图像处理过程中，使用等级4的许多张量，尺寸对应于批量中的示例，图像宽度，图像高度和色彩通道。

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

使用tf.rank获得张量的rank

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

tensor分割
由于tf.Tensor是一个n维的单元格数组，要访问tf.Tensor中的单个单元格，您需要指定n个索引。

二，shape （形状）

改变tensor的形状。

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

# Note that the number of elements of the reshaped Tensors has to match the
# original number of elements. Therefore, the following example generates an
# error because no possible value for the last dimension will match the number
# of elements.
yet_another = tf.reshape(matrixAlt, [13, 2, -1])  # ERROR!

三，Data types（数据类型）

通过tf.cast强制装换张量类型。

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

当从python对象创建一个tf.Tensor时，你可以选择指定数据类型。 如果你不这样做，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，将python浮点数转换为tf.float32。 否则，TensorFlow使用numpy在转换为数组时使用的相同规则。

四，Evaluating Tensors（评估tensors）

计算图形一旦建立，您就可以运行生成特定tf.Tensor的计算并获取分配给它的值。方便调试tensorflow程序。

使用.eval()来评估张量结果，默认有一个 tf.Session 被运行

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

有时，无法评估一个没有上下文的tf.Tensor，因为它的值可能取决于不可用的动态信息。 例如，如果不为占位符提供价值，则无法评估依赖于占位符的张量。

p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval()  # 失败
t.eval(feed_dict={p:2.0})  # feed 数据到placeholder，成功

五，Printing Tensors（输出Tensors）

出于调试的目的，您可能需要打印tf.Tensor的值。 虽然tfdbg提供了高级的调试支持，但TensorFlow也可以直接打印tf.Tensor的值。

t = <<some tensorflow operation>>
tf.Print(t, [t])  # 什么都不做
t = tf.Print(t, [t])  # 我们将输出值tf.Print
result = t + 1  # 结果已经被评估，t值将会被打印出来

完。