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 tf
a = 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 + b
print(result)
- 1
- 2
- 3
- 4
- 5
- 6
输出
Tensor("add:0", shape=(2,), dtype=float32)
- 1
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)
- 1
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")
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
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)
- 1
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]]]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
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 np
t_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)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
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))
- 1
- 2
- 3
- 4
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))
- 1
- 2
- 3
- 4
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))
- 1
- 2
- 3
- 4
输出:[3 3 2]
文章出处:https://blog.csdn.net/hongxue8888/article/details/76560115