深度学习基本概念｜张量tensor

欢迎关注”生信修炼手册”!

深度学习常用于处理图像，文本，语音等数据，在计算机中，需要将这些数据用合适的数据结构来存储。以图像为例，每一幅图像可以看作由像素点构成的二维数组，而每个像素点又可以表示成RGB对应的3元组，经过这样的嵌套之后，每一幅图像实际上变成了一个高阶数组, 图示如下

在深度学习中，采用tensor来存储高阶数组对应的数据。tensor, 中文叫做张量，谷歌的开源机器学习框架TensorFlow也是建立在张量的基础上。

张量用来存储高阶数组，但本质上标量，向量，矩阵都可以看作是张量的特殊形式

tensorflow中，定义张量的方式如下

>>> import tensorflow as tf
>>> rank_0_tensor = tf.constant(4)
>>> rank_1_tensor = tf.constant([2.0, 3.0, 4.0])
>>> rank_2_tensor = tf.constant([[1, 2],[3, 4],[5, 6]], dtype=tf.float16)
>>> rank_3_tensor = tf.constant([[[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]],[[10, 11, 12, 13, 14],[15, 16, 17, 18, 19]],[[20, 21, 22, 23, 24],[25, 26, 27, 28, 29]],])

对于张量，可以有多种可视化方式来帮助我们理解其结构, 以3阶张量为例

>>> rank_3_tensor = tf.constant([[[0,1,2,3,4], [5,6,7,8,9]],[[10,11,12,13,14], [15,16,17,18,19]], [[20,21,22,23,24], [25,26,27,28,29]]])
>>> rank_3_tensor
<tf.Tensor: shape=(3, 2, 5), dtype=int32, numpy=
array([[[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9]],


       [[10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]],


       [[20, 21, 22, 23, 24],
        [25, 26, 27, 28, 29]]])>

张量有以下几个基本属性

1. shape, 形状，统计各个维度的元素数量

2. rank, 秩，维度的总数

3. axis, 轴，具体的某一个维度