Tensor

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。

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，下面的张量就是2阶。

#!/usr/bin/env python
# coding=utf-8

import tensorflow as tf

t=tf.constant([[1,2,3],[4,5,6],[7,8,9]])
print t
print t.get_shape()

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。

注意：矩阵的阶表示矩阵大小，比如n阶矩阵就是n*n的矩阵；而张量的阶其实是维数的意思。

tf.Tensor.get_shape()

返回一个tensor的shape。不需要启动Session，就可以返回tensor的shape信息。这可以帮助我们调试，提早发现错误信息。

#!/usr/bin/env python

# coding=utf-8

import tensorflow as tf

c=tf.constant([[1.0,2.0,3.0],[4.0,5.0,6.0]])
print c.get_shape()
d=tf.constant([[1.0,0.0], [0.0,1.0], [1.0,0.0], [0.0,1.0]])
print d.get_shape()

e=tf.matmul(c,d,transpose_a=True, transpose_b=True)
print e.get_shape()

tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None)

根据tensor的维度计算元素的和。

#!/usr/bin/env python
# coding=utf-8

import tensorflow as tf

x=tf.constant([[1,1,1],[1,1,1]])
sum_all=tf.reduce_sum(x)
sum_0=tf.reduce_sum(x,0)
sum_1=tf.reduce_sum(x,1)
sum_dims=tf.reduce_sum(x,1,keep_dims=True)
sum_0_1=tf.reduce_sum(x,[0,1])
sess=tf.Session()
print sess.run([sum_all,sum_0,sum_1,sum_dims,sum_0_1])
sess.close()

tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

根据tensor的维度计算元素的均值

#!/usr/bin/env python
# coding=utf-8

import tensorflow as tf

x=tf.constant([[1.,1.],[2.,2.]])
mean_all=tf.reduce_mean(x)
mean_0=tf.reduce_mean(x,0)
mean_1=tf.reduce_mean(x,1)

sess=tf.Session()
print sess.run([mean_all,mean_0,mean_1])
sess.close()