AI - TensorFlow - 张量（Tensor）

ゞ浴缸里的玫瑰 2022-01-08 02:21 363阅读 0赞

# **张量（Tensor）** #

在Tensorflow中，变量统一称作张量（Tensor）。

张量（Tensor）是任意维度的数组。

*  0阶张量：纯量或标量 (scalar)， 也就是一个数值，例如，\\'Howdy\\' 或 5
 *  1阶张量：向量 (vector)或矢量，也就是一维数组（一组有序排列的数），例如，\[2, 3, 5, 7, 11\] 或 \[5\]
 *  2阶张量：矩阵 (matrix)，也就是二维数组（有序排列的向量），例如，\[\[3.1, 8.2, 5.9\]\[4.3, -2.7, 6.5\]\]
 *  3阶张量：三维的矩阵，也就是把矩阵有序地叠加起来，成为一个“立方体”
 *  以此类推，等等。

在大多数情况下，只会使用一个或多个低维张量（2阶及以下）。

典型 TensorFlow 程序中的大多数代码行都是指令，张量也是计算图中的一种指令。  
张量可以作为常量或变量存储在图中。

*  常量是始终会返回同一张量值的指令，存储的是值不会发生更改的张量。
 *  变量是会返回分配给它的任何张量的指令，存储的是值会发生更改的张量。

TensorFlow指南：

*  张量：[https://www.tensorflow.org/guide/tensors][https_www.tensorflow.org_guide_tensors]
 *  变量：[https://www.tensorflow.org/guide/variables][https_www.tensorflow.org_guide_variables]

# 张量的定义 #

1 # coding=utf-8
     2 import tensorflow as tf 3 import os 4 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 6 7 x = tf.constant([5.6], name="x_const") # tf.constant定义标量整数常量并传入值 8 y = tf.Variable([0], name="y_Variable") # tf.Variable定义变量并传入默认值 9 y = y.assign([3]) # 分配一个值 10 11 with tf.Session() as sess: # 图必须在会话中运行，会话存储了它所运行的图的状态 12 initialization = tf.global_variables_initializer() # 使用tf.Variable时，必须在会话开始时明确初始化变量 13 print("x: {}".format(sess.run(x))) 14 print("y: {}".format(sess.run(y)))

**运行结果：**

x: [5.6]
    y: [3]

# 常量相加 #

1 # coding=utf-8
     2 import tensorflow as tf 3 import os 4 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 6 7 g = tf.Graph() # 创建图，虽然TensorFlow提供一个默认图，仍建议创建自己的Graph，以便跟踪状态 8 9 with g.as_default(): # 将定义的图作为默认 10 x = tf.constant(8, name="x_const") # tf.constant定义标量整数常量并传入值 11 y = tf.constant(5, name="y_const") 12 z = tf.constant(4, name="z_const") 13 sum1 = tf.add(x, y, name="x_y_sum") # tf.add相加 14 sum2 = tf.add(z, sum1, name="x_y_z_sum") 15 with tf.Session() as sess: # 图必须在会话中运行 16 print("sum1: {}".format(sum1.eval())) 17 print("sum2: {}".format(sum2.eval()))

**运行结果：**

sum1: 13
    sum2: 17

# 矢量相加、张量形状与广播 #

1 # coding=utf-8
     2 import tensorflow as tf
     3 import os
     4 
     5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
     6 
     7 try:
     8     tf.contrib.eager.enable_eager_execution()
     9     print("# TF imported with eager execution!")
    10 except ValueError:
    11     print("# TF already imported with eager execution!")
    12 
    13 # ### 矢量（一维张量）加法
    14 primes = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)  # 包含质数的primes矢量
    15 ones = tf.ones([6], dtype=tf.int32)  # 值全为1的ones矢量
    16 just_beyond_primes = tf.add(primes, ones)  # 通过对前两个矢量执行元素级加法而创建的矢量
    17 twos = tf.constant([2, 2, 2, 2, 2, 2], dtype=tf.int32)
    18 primes_doubled = primes * twos  # 通过将primes矢量中的元素翻倍而创建的矢量
    19 print("primes: ", primes)
    20 print("ones: ", ones)
    21 print("just_beyond_primes: ", just_beyond_primes)
    22 print("primes_doubled: ", primes_doubled)
    23 
    24 some_matrix = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.int32)
    25 print("some_matrix: ", some_matrix)  # 输出张量将返回其值、形状以及存储在张量中的值的类型
    26 print("value of some_matrix is:\n", some_matrix.numpy())  # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）
    27 
    28 # ### 张量形状
    29 scalar = tf.zeros([])  # 标量
    30 vector = tf.zeros([3])  # 值全为0的矢量
    31 matrix = tf.zeros([2, 3])  # 值全为0的2行3列矩阵
    32 print('scalar has shape：', scalar.get_shape(), 'and value:\n', scalar.numpy())
    33 print('vector has shape：', vector.get_shape(), 'and value:\n', vector.numpy())
    34 print('matrix has shape：', matrix.get_shape(), 'and value:\n', matrix.numpy())
    35 
    36 # ### 广播
    37 primes2 = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)
    38 ones2 = tf.ones(1, dtype=tf.int32)  # 使用的是标量值（不是全包含1矢量）和广播
    39 just_beyond_primes2 = tf.add(primes2, ones2)
    40 twos2 = tf.constant(2, dtype=tf.int32)  # 使用的是标量值（不是全包含 2 的矢量）和广播
    41 primes_doubled2 = primes2 * twos2
    42 print("primes2: ", primes2)
    43 print("ones2: ", ones2)
    44 print("just_beyond_primes2: ", just_beyond_primes2)
    45 print("primes_doubled2: ", primes_doubled2)
    46 
    47 # ### 矢量加法
    48 # 可以对张量执行很多典型数学运算：https://www.tensorflow.org/api_docs/python/tf/math；
    49 # 输出张量将返回其值、形状以及存储在张量中的值的类型；
    50 # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）；
    51 #
    52 # ### 张量形状（shape）
    53 # 形状（shape）用于描述张量维度的大小和数量；
    54 # 张量的形状表示为list，其中第i个元素表示维度i的大小；
    55 # 列表的长度表示张量的阶（即维数）；
    56 #
    57 # ### 广播
    58 # TensorFlow支持广播（一种借鉴自NumPy的概念）；
    59 # 利用广播，元素级运算中的较小数组会增大到与较大数组具有相同的形状；

**运行结果：**

# TF imported with eager execution!
    primes:  tf.Tensor([ 2  3  5  7 11 13], shape=(6,), dtype=int32)
    ones:  tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int32)
    just_beyond_primes:  tf.Tensor([ 3  4  6  8 12 14], shape=(6,), dtype=int32)
    primes_doubled:  tf.Tensor([ 4  6 10 14 22 26], shape=(6,), dtype=int32)
    some_matrix:  tf.Tensor(
    [[1 2 3]
     [4 5 6]], shape=(2, 3), dtype=int32)
    value of some_matrix is:
     [[1 2 3]
     [4 5 6]]
    scalar has shape： () and value:
     0.0
    vector has shape： (3,) and value:
     [0. 0. 0.]
    matrix has shape： (2, 3) and value:
     [[0. 0. 0.]
     [0. 0. 0.]]
    primes2:  tf.Tensor([ 2  3  5  7 11 13], shape=(6,), dtype=int32)
    ones2:  tf.Tensor([1], shape=(1,), dtype=int32)
    just_beyond_primes2:  tf.Tensor([ 3  4  6  8 12 14], shape=(6,), dtype=int32)
    primes_doubled2:  tf.Tensor([ 4  6 10 14 22 26], shape=(6,), dtype=int32)

# 矩阵相乘、张量变形 #

**运行结果：**

# TF imported with eager execution!
    matrix_multiply_result:  tf.Tensor(
    [[35 58]
     [35 33]
     [ 1 -4]], shape=(3, 2), dtype=int32)
    Original matrix (4x2):
     [[1 2]
     [3 4]
     [5 6]
     [7 8]]
    Reshaped matrix (2x4):
     [[1 2 3 4]
     [5 6 7 8]]
    Reshaped matrix (1x8):
     [[1 2 3 4 5 6 7 8]]
    reshaped_2x2x2_tensor:
     [[[1 2]
      [3 4]]
    
     [[5 6]
      [7 8]]]
    one_dimensional_vector:
     [1 2 3 4 5 6 7 8]

# 变量、初始化和赋值 #

**运行结果：**

# TF imported with eager execution!
    v1: [7]
    v2: [[1.08498964 0.87645062 0.70722227 0.91475084]]

转载于:https://www.cnblogs.com/anliven/p/5985262.html

[https_www.tensorflow.org_guide_tensors]: https://www.tensorflow.org/guide/tensors
[https_www.tensorflow.org_guide_variables]: https://www.tensorflow.org/guide/variables