TensorFlow入门之张量浅析

TensorFlow中操作和传递的主要对象就是张量，在TensorFlor中叫做tf.Tensor，TensorFlow中的张量可以是0阶~n阶，阶也可以称为秩，等级或者n维，定义一个最简单的变量，可以认为是定义一个0阶张量。

TensorFlow中有以下几类特殊张量

• tf.Variable
• tf.constant
• tf.placeholder
• tf.SparseTensor

以下展示定义0阶变量的过程，0阶张量也称为标量，不需要使用索引，因为它本身就是单一数值：

​​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 - 4.85j, tf.complex64)

以下展示定义1阶变量（也可以理解成就是个列表）的过程：

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 - 4.85j, 7.5 - 6.23j], tf.complex64)

 1阶张量可以通过传递一个索引访问某个数值，例如

my_scalar = cool_numbers[1]

以下展示定义2阶变量的过程，对象至少需要包含一行和一列：

mymat = tf.Variable([[7],[11]], tf.int16) # 1行1列
myxor = tf.Variable([[False, True],[True, False]], tf.bool)  # 2行2列
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)  # 4行1列
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)  # 2行2列
rank_of_squares = tf.rank(squarish_squares)   # 用tf.rank方法可以获取对象的阶
mymatC = tf.Variable([[7],[11]], tf.int32)   # 1行1列

在图像处理过程中，一般会使用许多 4 阶张量，各个维度分别对应批次大小、图像宽度、图像高度和颜色通道，可以用如下方法进行定义：

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

对于2阶的张量，传递一对儿(两个)数字索引，会返回一个标量，而只传递一个数字索引，则会返回一个矩阵子矢量，例子如下。而对于2阶以上的张量，则可以展开想象，以此类推

my_matrix = tf.Variable([[4,5,7],[2,7,6],[5,9,2],[8,2,5]])  # 4行3列的2阶张量
my_scalar = my_matrix[1, 2]   # 返回第1行，第2列的数值：6
my_row_vector = my_matrix[2]   # 返回第2行的标量：[5,9,2]
my_column_vector = my_matrix[:, 1]   # 返回第1列的标量：[5,7,9,2]

访问一个高阶张量中的子张量（或者子矢量，子标量）的方法，我们称之为Tensor切片，其中冒号“：”是切片语法，意思是“不要碰触该维度”。

      张量的形状表示的是每个维度中元素的个数，TensorFlow通过三种符号约定来描述张量的维度：阶，形状，维数，下表描述了3者的关联。而形状可以通过整型 Python 列表/元组或者 tf.TensorShape 表示

阶	形状	维数	示例
0	[]	0维	0 维张量。标量。
1	[D0]	1维	形状为 [5] 的 1 维张量。
2	[D0, D1]	2维	形状为 [3, 4] 的 2 维张量。
3	[D0, D1, D2]	3维	形状为 [1, 4, 3] 的 3 维张量。
n	[D0, D1, ... Dn-1]	n维	形状为 [D0, D1, ... Dn-1] 的张量。

可以通过tf.Tensor对象的shape属性来获取张量的形状，该方法将返回一个TensorShape对象，例如如下代码展示了如果创建大小与给定张量大小相关的张量。

my_matrix = tf.Variable([[4,5,7],[2,7,6],[5,9,2],[8,2,5]])  # 4行3列的2阶张量
zeros_a = tf.zeros(my_matrix.shape)  # 返回一个与my_matrix形状相同（4行3列）的张量
zeros_b = tf.zeros(my_matrix.shape[1])  # 返回一个与my_matrix第一行[2,7,6]形状相同的矢量

## zeros_a.shape: (4, 3)
## zeros_b.shape: (3,)

一个张量tf.Tensor只能有一种数据类型，但是可以通过tf.cast方法将tf.Tensor从一种数据类型转换为另一种数据类型，例如：

# 把一个整形常量张量转换为浮点型32位
float_tensor = tf.cast(tf.constant([1, 2, 3]), dtype=tf.float32)

可使用Tensor.dtype属性来查看张量tf.Tensor的数据类型。

用 python 对象创建tf.Tensor时，如果不指定数据类型，TensorFlow 会选择一个可以表示您的数据的数据类型。TensorFlow 会将 Python 整数转型为tf.int32，并将 python 浮点数转型为tf.float32

获得张量的值，直接引用张量的名称是不行的，需要采用张量的Tensor.eval()方法，例如：

myconstant = tf.constant([1, 2, 3])
mytensor = myconstant * myconstant  # 这里不是矩阵乘法，而是用两个列表的每个对应元素依次相乘


init = tf.global_variables_initializer()
with tf.Session() as sess:
      sess.run(init)
      print(mytensor.eval())

### 打印的结果为[1,4,9]

如果直接采用张量的名称进行打印，则打印的结果为：Tensor("mul:0", shape=(3,), dtype=int32)，但这并不是张量的值

另外，需要注意的是，如果采用 placeholder定义了张量，在没有为placeholder提供值的情况下，无法得到依赖于 placeholder 的张量的值，例如：

p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval()                   # 由于placeholder并没有获取到值，所以这一条语句会执行失败.
t.eval(feed_dict={p:2.0})  # 因为我们给placeholder喂了数据，因此这条语句可以成功执行