TensorFlow之Tensor(4)

Tensor（张量）

张量的维度（秩）：Rank/Order

维度值	名称	维度值	名称
0	标量	3	3阶张量
1	向量	...	...
2	矩阵	N	N阶张量

Tensor的属性：

A. 数据类型 dtype

    例如：tf.float32,tf.int8/16/32,tf.uint8/16,tf.string,tf.bool,tf.complex64.....

B. 形状Shape

C. 其他

 

几种Tensor：

Constant【常量】、Placeholder【占位符】、Variable【变量】，SparseTensor【稀疏张量】。

tf.constant

例如：

1 import tensorflow as tf
2 
3 tensor = tf.constant([1,2,3,4,5,6,7])
4 const = tf.constant(3)

View Code

 tf.Variable

示例：

1 var = tf.Variable(3)
2 
3 var1 = tf.Variable(4, dtype=tf.int64)

View Code

tf.placeholder(tf.float32, shape=(1024, 1024))

 

tf.SparseTensor: indices【下标】、values【值】、dense_shape【形状】

稀疏张量，类似于线性代数中的“稀疏矩阵”。

《稀疏矩阵》：在矩阵中，若数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律的矩阵。

示例：

SparseTensor(indices=[ [0, 0],[1, 2] ], values=[1,2], dense_shape=[3, 4])

 

Tensor表示法：

类型　　名字：索引　　形状　　  数据类型

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

 

代码示例：

 1 # -*- coding:UTF-8 -*-
 2 
 3 #引入tensorflow
 4  import tensorflow as tf
 5  
 6  #创建两个常量Tensor
 7  const1 = tf.constant([2, 2])
 8  const2 = tf.constant([[4], 
 9                        [4]])
10  
11  multiple = tf.matmul(const1, const2)
12  
13  #创建了Session(会话)对象
14  sess = tf.Session()
15  
16  #用Session的run方法来实际运行multiple这个矩阵的乘法操作
17  result = sess.run(multiple)
18  
19  #用print打印矩阵乘法的结果
20  print (result)
21  
22  if const1.graph is tf.get_default_graph():
23      print ("const1所在的图（Graph）是当前上下文默认的图 ")
24      
25 #关闭已用完的Session(会话)
26 sess.close()
27 
28 
29 #第二种方法来创建/关闭Session
30 with tf.Session() as sess:
31     result2 = sess.run(multiple)
32     print ("Multiple的结果是 " % result2) 

View Code

 

转载于:https://www.cnblogs.com/xyqiu90-365/p/9723577.html