(Tensorflow学习笔记）数据模型——张量(Tensor)

数据模型——Tensor

  * 在TensorFlow中，所有的数据都通过张量的形式来表示
  * 从功能的角度，张量可以简单理解为多维数组
    零阶张量表示标量（scalar），也就是一个数；
    一阶张量为向量（vector），也就是一维数组；
    n阶张量可以理解为一个n维数组；
  * 张量并没有真正保存数字，它保存的是计算过程

张量的属性

Tensor("Add:0", shape=(), dtype=float32) 

• 形状（ shape）
   张量的维度信息， shape=() ，表示是标量
• 类型（ type）
   每一个张量会有一个唯一的类型
   TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

import tensorflow as tf

node = tf.constant([[4.0,1.0],[5.0,2.5]],tf.float32)
print(node.shape())  #输出矩阵的长和宽
print(node.dtype())  #输出元素类型

张量形状

 三个术语描述张量的维度： 阶（rank）、 形状（shape） 、 维数（dimension number）

张量形状

 由上面我们知道一阶形状是一维数组，二阶为二维数组，我们接下来讨论判断三阶形状的方法，并以此类推：

import tensorflow as tf
node = tf.constant([[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]])
#也可以print(node.get_shape()) 输出形状
print(node.shape)

运行输出:
最外层有三个[[[可知是一个三维数组，这个三维数组里面有三个二维数组，一个二维数组里面有三个一维数组，一个一维数组里面只有一个元素，因此形状为(3,3,1)

获取张量的元素

• 阶为1的张量等价于向量；
• 阶为2的张量等价于矩阵，通过t[i,j] 获取元素；
• 阶为3的张量，通过t[i,j,k] 获取元素；
  例如：

import tensorflow as tf
node = tf.constant([[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]])

with tf.Session() as sess :
	print(sess.run(node)[1,1,0]) #输出5

输出：

元素5位于三维数组的第一个二维数组(从0开始数)[[4],[5],[6]]，这二维数组中的第一个一维数组[5]，这个一维数组中的第0个数

对与Tensorflow的可视化理解

参考博文：https://blog.csdn.net/holmes_mx/article/details/82813865