2.何为张量

最新推荐文章于 2022-09-05 15:52:22 发布

好名字能更容易让朋友记住

最新推荐文章于 2022-09-05 15:52:22 发布

阅读量858

点赞数

分类专栏： Python深度学习文章标签： python 深度学习人工智能

本文链接：https://blog.csdn.net/qq_48981632/article/details/125832780

版权

Python深度学习专栏收录该内容

18 篇文章 0 订阅

订阅专栏

张量

关键属性

轴的个数（阶）

例如，3D张量有3个轴，矩阵有2个轴。这在Numpy等Python库中也叫张量的ndim。

形状

这是一个整数元组，表示张量沿每个轴的维度大小（元素个数）。例如，前面矩阵示例的形状为（3，5），3D张量示例为（3，3，5）。向量的形状只包含一个元素，比如（5，），而标量的状态为空，即（）。

数据类型（在Python库中通常叫做（dtype）

这是张量中所包含堵数据的类型，例如张量的类型可以是float32，uint8，float64等。
具体说明：
首先加载MNIST数据集
form keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
张量train_images的轴个数，即ndim属性
>>> print(train_images.ndim)
3
张量train_images形状，即shape属性
>>> print(train_images.shape)
(60000,28,28)
数据类型，即dtype属性
>>> print(train_images.dtype)
uint8
由以上可以得出，train_images是一个由8位整数组成的3D张量。

更确切的说，它是60000个矩阵组成的数组，每个矩阵由 28×28 个整数组成。每个这样的矩阵都是一张灰度图像，元素组成范围位 0~255。
显示数字
首先要加载MNIST数据集
import keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
使用matplotlib画数字
digit = train_image[4]

import matplotlib.pyplot as plt
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()
显示如下

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mYRinB3l-1658044291225)(data:image/png;base64,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)]
类型

标量（0D张量）

仅包含一个数字的张量叫做标量（scalar）。

向量（1D张量）

数字组成的数组叫做向量（vector）。

矩阵（2D）张量

向量组成的数组叫做矩阵（matrix）。

3D张量与更高维张量

将多个矩阵组合成一个新的数组就，可以得到一个3D张量，可以直观地理解为一个立方体。

将多个3D张量组成一个数组可以创作一个4D张量，以此类推。

数据张量

向量数据

2D张量，形状为（samples，fetures）。
对于这种数据集，每个数据点都被编码为一个向量，其中第一个为样本轴即samples，第二个轴为特征轴即fetures。
举例：
统计人口数据集，每个人的信息包含每个人的年龄、邮编和收入。每个人可以表示包含三个值的向量，而整个数据集包含100000个人，因此可以存储在形状为（100000，3）的2D向量中。
文本文档数据集，我们将每个文档表示为每个单词在其中出现的次数（字典中包含20000个常见单词）。我们每个文档可以被编码为包含20000个值的向量（每个值对于于字典中每个单词出现的次数），整个数据集包含500个文档，因此可以存储在形状为（500，20000）的张量中。

时间序列数据或序列数据

3D张量，形状为（samples，timesteps，fetures）。
当时间或序列顺序对数据很重要是，应该将数据存储在带有时间轴的3D张量中。根据惯例，时间轴始终是第二个轴。
样本轴samples，时间轴timesteps，特征轴feture。
举例：
股票价格数据集。每一分钟，我们将股票的当前价格、前一分钟的最高价格和前一秒钟的最低价格保存下来。因此每分钟被编码为一个3D向量，整个交易日被编码为一个形状为（390，3）的2D张量（一个交易日有390分钟），而250天的数据则可以保存在一个形状为（250，390，3）的3D张量中。这里每个样本都是一天的股票信息。
推文数据集。我们将每条推文编码为280个字符组成的序列，而每个字符又来自于128个字符组成的字母表。在这种情况下，每个字符可以被编码为大小为128的二进制向量（只有在该字符对应的索引位置取1，其他元素都为0）。那么每条推文可以被编码为一个形状为（280，128）的2D张量，而包含100万条推文的数据集则可以存储在一个形状为（1000000，280，128）的张量中

图像

4D张量，形状为（samples，height，width，channels）或（samples，channels，height，width）。
图像通常具有三个维度：高度、宽度和颜色深度。
虽然灰度图像只有一个颜色通道，因此可以保存在2D张量中，但按照归案例，图像张量始终都是3D张量，灰度图像的色彩通道只有一维。因此如果图像大小为256×256，那么128张灰度图像组成的批量可以保存在一个形状为（128，256，256，1）的张量中，而128张彩色图像组成的批量可以保存在一个形状为（128，256，256，3）的张量中。
图像张量的形状有两种约定：**通道在后（channels-last）**的约定（**在 TensorFlow 中使用）和通道在前（channels-first）**的约定（在Theano中使用）。
形状也可写成（samples，height，width，color_depth) color_depth是颜色通道

视频

5D张量，形状为（samples，frames，height，width，channels）或（samples，frames，channles，height，width）。

视频可以看作一系列帧，每一帧都是一张彩色图像。由于每一帧可以保存在一个形状为（height，width，color_depth)的3D张量中，所以一系列帧可以保存在一个形状为（frames，height，width，color_depth）的4D张量中。（freames为帧率的意思）。而不同视频组成的批量则可以保存在一个5D张量中，其形状为

（samples，frames，height，width，color_depth）。

举例：

一个以每秒4帧采样的60秒的视频片段，其视频尺寸为144×256，这个视频总共有240帧。4个这样的视频片段组成的批量将保存在形状为（4，240，144，256，3）的张量中。总共106168320个值。如果张量的数据类型为（dtype）为float32，每个值都是32位，那么这个张量共有405MB。现实中的视频不以float32格式存储，而是被大大压缩。
这样的视频片段组成的批量将保存在形状为（4，240，144，256，3）的张量中。总共106168320个值。如果张量的数据类型为（dtype）为float32，每个值都是32位，那么这个张量共有405MB。现实中的视频不以float32格式存储，而是被大大压缩。