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()

























  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值