本文共 1756 字，大约阅读时间需要 5 分钟。

TensorFlow之张量

1. 张量的基本概念

张量（Tensor）是TensorFlow中最基本的数据结构，类似于numpy中的数组。它是一个n维数组，数据类型为tf.Tensor。张量在TensorFlow中具有两个关键属性：【type和shape】。

• type： 数据类型，如int32、float32等。
• shape: 形状描述张量的维度，如 （3,4）表示3行4列的矩阵。

张量的阶数（rank）从0开始计算，如0阶为标量，1阶为1维数组（列表形式），2阶为矩阵形式等。

2. 张量的创建指令

创建张量可以分为几种类型：

3. 张量的变换与操作

3.1 类型改变

通过使用tf.cast函数可以将张量的数据类型转换。例如，将浮点数张量转换为整数型：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
one = tf.ones([3, 4])
cast_one = tf.cast(one, tf.int32)
print(cast_one)

3.2 形状改变

张量可以进行静态形状或动态形状的改变。

• 静态形状改变： 使用tf.reshape函数进行张量形状的静态改变。这一步骤适用于已知形状的张量，且不改变其元素总数。

  tf.reshape(tensor, new_shape)

• 动态形状改变： 使用tf.reshape进行动态形状创建，适用于不确定大小的张量，但要确保张量元素总数不变。

  tf.reshape(tensor, new_shape)

3.3 数学运算

• 算术运算： 使用基本的加、减、乘、除操作。

  a = tf.constant(3.0)
  b = tf.constant(2.0)
  c = a + b
  print(c)

• 矩阵运算： 使用高级矩阵函数，如矩阵乘法。

  import numpy as np
  matrix_a = np.array([[1, 2], [3, 4]])
  matrix_b = np.array([[5, 6], [7, 8]])
  tf.matmul(matrix_a, matrix_b)

• reduce操作： 将张量按某一轴进行聚合。

  a = tf.constant([1, 2, 3, 4])
  b = tf.reduce_sum(a)
  print(b)

• 序列操作： 如分割、重复操作等。

这些操作为张量提供了丰富的运算能力，使其在深度学习和数据处理中极为灵活。

转载地址：http://bnekk.baihongyu.com/