本文介绍了TensorFlow中的张量概念，包括张量的阶、形状和数据类型。张量的阶表示其维数，二阶张量对应矩阵，一阶张量为向量。形状描述了张量每个维度的大小，例如shape [2,3]表示一个2x3的矩阵。此外，文章还提到在TensorFlow中如何对张量进行特定维度的操作，如tf.reduce_max和tf.reduce_mean函数，用于求取最大值和平均值。"
132235132,10974913,深度学习预测比特币价格,"['机器学习', '深度学习', '时间序列分析', '比特币', '金融预测']
张量的阶、形状、数据类型
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.
阶
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（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶.
t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]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.
| 阶 | 数学实例 | Py |
|---|
订阅专栏 解锁全文
扫一扫
1967
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
