本文深入探讨TensorFlow中的张量概念，包括张量的rank和shape。张量是标量、向量、矩阵的集合，其rank定义为括号层数，shape则描述了各维度的元素数量。通过实例解释了一维、二维和三维张量的性质，并指出shape决定了张量的元素总数和层次结构。
彻底搞懂tensorflow里的张量(tensor)
1.引言
学习卷积神经网络(CNN)的时候，最重要的就是搞清楚网络各层的神经元输入输出的数据结构(即张量)。如果仅用线性代数所学的矩阵，向量来理解张量，一定会搞得一头雾水。因此很有必要搞清楚张量是什么东西。
- 首先明确：张量最主要的两个参数： rank（阶，或维数）、shape（形状）
2.什么是张量
下图是张量的直观的示意：张量是标量、向量、矩阵的集合和推广。
3.什么是rank
| rank | 数学实例 | Python 例子 |
|---|---|---|
| 0 | 纯数字（只有大小） | s=352 |
| 1 | 向量（1个基本向量） | v = [1.1, 2.2, 3.3] |
| 2 | 矩阵(两个基本向量) | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
| 3 | 数据立体（3个基本向量） | t = [ [[2], [4], [6]] , [[8], [10], |
最低0.47元/天 解锁文章
1944
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
