2-1 张量数据结构

程序 = 数据结构+算法。

TensorFlow程序 = 张量数据结构 + 计算图算法语言

张量和计算图是 TensorFlow的核心概念。

Tensorflow的基本数据结构是张量Tensor，张量即多维数组。Tensorflow的张量和numpy中的array很类似。从行为特性来看，有两种类型的张量，常量constant和变量Variable。

• 常量的值在计算图中不可以被重新赋值。
• 变量可以在计算图中用assign等算子重新赋值。

一、常量张量

张量的数据类型和numpy.array基本一一对应。tf.constant()定义常量张量。

# 定义常量张量

i = tf.constant(1)  # tf.int32 类型常量
l = tf.constant(1, dtype=tf.int64) # tf.int64 类型常量
f = tf.constant(1.23)   # tf.float32 类型常量
d = tf.constant(3.14, dtype=tf.double)   # tf.double 类型常量
s = tf.constant("hello world")  # tf.string类型常量
b = tf.constant(True)  # tf.bool类型常量

print(tf.int64 == np.int64)  # 等价
print(tf.bool == np.bool)    # 等价
print(tf.double == np.float64)  # 等价
print(tf.string == np.unicode)  # tf.string类型和np.unicode类型不等价

标量为0维张量，向量为1维张量，矩阵为2维张量。

彩色图像有rgb三个通道，可以表示为3维张量。视频还有时间维，可以表示为4维张量。

可以简单地总结为：有几层中括号，就是多少维的张量。可以用numpy()方法将tensorflow中的张量转化成numpy中的张量。

scalar = tf.constant(True)  # 标量，0维张量
print(tf.rank(scalar))
print(scalar.numpy().ndim)  # tf.rank的作用和numpy的ndim方法相同，输出0

输出

tf.Tensor(0, shape=(), dtype=int32)
0

备注：tf.rank() 用来返回张量的秩。需要注意的是，张量的秩与矩阵的秩不一样。张量的秩是唯一选择张量的每个元素所需的索引的数量。（例如，3维张量，选择某个元素 ）秩也被称为 “order”,“degree” 或 “ndims”。这里张量的秩，可以直接理解维度，就是说这个张量是几维的，它不是矩阵的秩也不是数组的shape，可以简单的理解成’['的深度，即中括号的层数。

a = tf.constant([1])
b = tf.constant([3, 2, 1])
c = tf.constant([[4, 3], [2, 1]])
#x = tf.add(a, b)
with tf.Session() as sess:
    print(tf.rank(a))
    print(tf.rank(b))
    print(tf.rank(c))

输出

Tensor("Rank:0", shape=(), dtype=int32)
Tensor("Rank_1:0", shape=(), dtype=int32)
Tensor("Rank_2:0", shape=(), dtype=int32)

可以用tf.cast()改变张量的数据类型。

i = tf.constant([123,456], dtype=tf.int32)
f = tf.cast(i, tf.float32)
print(i.dtype, f.dtype)

输出

<dtype: 'int32'> <dtype: 'float32'>

可以用tf.shape()方法查看张量的尺寸。

i = tf.constant([123,456], dtype=tf.int32)
print(tf.shape(i))

输出

tf.Tensor([2], shape=(1,), dtype=int32)

二、变量张量

模型中需要被训练的参数一般被设置成变量。

# 常量值不可以改变，常量的重新赋值相当于创造新的内存空间
c = tf.constant([1.0,2.0])
print(c)
print(id(c))
c = c + tf.constant([1.0,1.0])
print(c)
print(id(c))

输出

tf.Tensor([1. 2.], shape=(2,), dtype=float32)
140292310359208
tf.Tensor([2. 3.], shape=(2,), dtype=float32)
140292310358680

变量的值可以改变，可以通过assign(), assign_add()等方法给变量重新赋值

# 变量的值可以改变，可以通过assign, assign_add等方法给变量重新赋值
v = tf.Variable([1.0,2.0],name = "v")
print(v)
print(id(v))
v.assign_add([1.0,1.0])
print(v)
print(id(v))
v.assign([1.0,2.0])
print(v)
print(id(v))

输出

<tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([1., 2.], dtype=float32)>
140292193929872
<tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([2., 3.], dtype=float32)>
140292193929872
<tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([1., 2.], dtype=float32)>
140292193929872

参考链接

1. tf.rank
2. lyhue1991/eat_tensorflow2_in_30_days/2-1,张量数据结构.md
3. 理解张量及张量的Rank和Shape