5个简单的步骤掌握Tensorflow的Tensor 在这篇文章中

文章插图
在这篇文章中，我们将深入研究TensorFlow Tensor的细节。我们将在以下五个简单步骤中介绍与Tensorflow的Tensor中相关的所有主题：

第一步：张量的定义→什么是张量？
第二步：创建张量→创建张量对象的函数
第三步：张量对象的特征
第四步：张量操作→索引、基本张量操作、形状操作、广播
第五步：特殊张量

张量的定义：什么是张量

文章插图
张量是TensorFlow的均匀型多维数组。它们非常类似于NumPy数组，并且它们是不可变的，这意味着一旦创建它们就不能被更改。只能使用编辑创建新副本。
让我们看看张量如何与代码示例一起工作。但是首先，要使用TensorFlow对象，我们需要导入TensorFlow库。我们经常将NumPy与TensorFlow一起使用，因此我们还可以使用以下行导入NumPy：
import tensorflow as tfimport numpy as np张量的创建：创建张量对象有几种方法可以创建tf.Tensor对象。让我们从几个例子开始。可以使用多个TensorFlow函数创建张量对象，如下例所示：

# 你可以用`tf.constant`函数创建tf.Tensor对象:x = tf.constant([[1, 2, 3, 4 ,5]])# 你可以用`tf.ones`函数创建tf.Tensor对象:y = tf.ones((1,5))# 你可以用`tf.zeros`函数创建tf.Tensor对象:z = tf.zeros((1,5))# 你可以用`tf.range`函数创建tf.Tensor对象:q = tf.range(start=1, limit=6, delta=1)print(x)print(y)print(z)print(q)

输出：tf.Tensor([[1 2 3 4 5]], shape=(1, 5), dtype=int32)tf.Tensor([[1. 1. 1. 1. 1.]], shape=(1, 5), dtype=float32) tf.Tensor([[0. 0. 0. 0. 0.]], shape=(1, 5), dtype=float32) tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)

如你所见，我们使用三个不同的函数创建了形状(1,5)的张量对象，使用tf.range()函数创建了形状(5,)的第四个张量对象。注意,tf.ones的和tf.zeros接受形状作为必需的参数，因为它们的元素值是预先确定的。
张量对象的特征tf.Tensor创建对象，它们有几个特征。首先，他们有维度数量。其次，它们有一个形状，一个由维度的长度组成的列表。所有张量都有一个大小，即张量中元素的总数。最后，它们的元素都被记录在一个统一的数据类型（datatype）中。让我们仔细看看这些特征。
维度张量根据其维数进行分类：

Rank-0（标量）张量：包含单个值且没有轴的张量（0维）；
Rank-1张量：包含单轴（一维）值列表的张量；
Rank-2张量：包含2个轴（2维）的张量；以及
Rank-N张量：包含N轴的张量（三维）。

文章插图
例如，我们可以通过向tf.constant传递一个三层嵌套的list对象来创建一个Rank-3张量。对于这个例子，我们可以将数字分割成一个3层嵌套的列表，每个层有3个元素:

three_level_nested_list = [[[0, 1, 2],[3, 4, 5]],[[6, 7, 8],[9, 10, 11]] ]rank_3_tensor = tf.constant(three_level_nested_list)print(rank_3_tensor)

Output:tf.Tensor( [[[ 012][ 345]][[ 678][ 9 10 11]]],shape=(2, 2, 3), dtype=int32)我们可以查看“rank_3_tensor”对象当前具有“.ndim”属性的维度数。
tensor_ndim = rank_3_tensor.ndimprint("The number of dimensions in our Tensor object is", tensor_ndim)Output:The number of dimensions in our Tensor object is 3形状形状特征是每个张量都具有的另一个属性。它以列表的形式显示每个维度的大小。我们可以查看使用.shape属性创建的rank_3_tensor对象的形状，如下所示：
tensor_shape = rank_3_tensor.shapeprint("The shape of our Tensor object is", tensor_shape)Output:The shape of our Tensor object is (2, 2, 3)如你所见，我们的张量在第一层有两个元素，第二层有两个元素，第三层有三个元素。
大小大小是张量的另一个特征，它意味着张量有多少个元素。我们不能用张量对象的属性来测量大小。相反，我们需要使用tf.size函数。最后，我们将使用实例函数.NumPy（）将输出转换为NumPy ，以获得更具可读性的结果：
tensor_size = tf.size(rank_3_tensor).numpy()print("The size of our Tensor object is", tensor_size)Output:The size of our Tensor object is 12数据类型张量通常包含数字数据类型，如浮点和整数，但也可能包含许多其他数据类型，如复数和字符串。
但是，每个张量对象必须将其所有元素存储在一个统一的数据类型中。因此，我们还可以使用.dtype属性查看为特定张量对象选择的数据类型，如下所示：