![fe96bcbb98e91bb7d97296bb2d42cd85.png](https://i-blog.csdnimg.cn/blog_migrate/960470378f86d33ca72e1c359a4b43f1.png)
转载请注明出处 https:// zhuanlan.zhihu.com/p/84 596759
一、tensor属性
两个tensor如下
a1=[[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
[[11, 21, 31], [41, 51, 61], [71, 81, 91], [101, 111, 121]]]
# 展开如下
"""
[
[[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[10, 11, 12]],
[[11, 21, 31],
[41, 51, 61],
[71, 81, 91],
[101, 111, 121]],
]
"""
a2 = [[1, 2, 3], [4, 5, 6]]
# 展开如下
"""
a2=[
[1, 2, 3],
[4, 5, 6]
]
"""
t1 = tf.constant(a1, dtype=tf.int32)
t2 = tf.constant(a2, dtype=tf.int32)
![ffb304e28a28a23eb6b159a4a2fbd933.png](https://i-blog.csdnimg.cn/blog_migrate/21361808dc2e1a11039aed0b2af1bf71.png)
![aaf459c73973eaf08fb397219f8d0afc.png](https://i-blog.csdnimg.cn/blog_migrate/4d2d47f07f9cb5101cf74f7c33fd3575.png)
1.rank
就是有几个维度,也相当与有几个括号,也是shape元组的长度,rank的idx计数都是从外向里,从大到小,也就是shape的排列方式。
t1._rank=3
t2._rank=2
图中数字表示rank的idx,箭头表示idx的方向。
![6b3c26e035c33ec4b1cec4deb586af7a.png](https://i-blog.csdnimg.cn/blog_migrate/ded62aa53103f8c10bcefb5cb01a6e0e.png)
2.shape
2.1基本
维度信息,表示在每个rank有多少”层“,两者的shape分别如下
t1.shape=(2, 4, 3)
t2.shape=(2, 3)
![920edb184c1345e06d1f0b038695bfae.png](https://i-blog.csdnimg.cn/blog_migrate/2bd252df8a9ff3e6a39069a007f64573.png)
从后往前看:最后一维表示单位向量有几个元素,倒数第二维则是有几个单位向量,依次向前。
从前向后看:第一维表示几个后几维组成的张量,第二维表示几个后几维组成的张量。
2.2图片表示法
在tf中,图像一般被表示为一个rank=4的张量,