最简单的Tensorflow实战入门教程 - 第二篇:tensor的定义及基本运算

本文是Tensorflow实战入门教程的第二篇,介绍了张量(tensor)的概念,包括标量、向量、矩阵的层级关系。接着详细讲解了在Tensorflow中如何定义和操作张量,包括构建计算图和运行计算图的过程,强调了张量运算的执行方式。文章还提及了部分张量的常用操作,并预告了后续将深入探讨线性回归、逻辑回归和神经网络模型。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Tensorflow中的Tensor就是张量的意思,在机器学习及神经网络中,会大量使用到张量运算,因此在tensorflow中,定义一个变量,实际上就是定义一个张量(tensor)

张量(tensor)的概念

因为很多人包括我自己都经常混用甚至混淆几个概念,因此我先简单科普一下“张量/矩阵/向量/标量”几个概念的关系和区别。

  • 0维(0阶)的张量就是标量,也就是一个数字,比如 1,3,100等等
  • 1维(1阶)的张量就是向量,比如[2,4],[3,5,6],[12,0,4,8] 等等。(作者注1)
  • 2维(2阶)的张量就是矩阵,比如2行2列的矩阵[[1,2,3],[4,5,6]],3行3列的矩阵[[1,1,1],[2,2,2],[3,3,3]]等等。(作者注2)
  • 更高维(阶)的张量,就没有特殊的名称了,不过有时候人们也会称更高维的张量为矩阵,比如3维矩阵,4维矩阵。这只不过是一种习惯罢了

了解了上面的内容,我们再来看一下tensorflow中是如何定义张量的,以及有关张量的基本运算。

Tensor的定义及运算

Tensorflow的程序,可以认为是由两个部分组成的,分别是:构建计算图(Building the computational graph)和 运行计算图(Running the computational graph) (作者注3),

我们用一个最简单的例子进行说明,先看几行代码(因为是实战教程,因此我会用代码进行讲解,注释中的内容非常重要,请一定认真阅读哦:):

## 在python中加载tensorflow库
import tensorflow as tf

## 可以把下面这段理解为“构建计算图”部分
x = tf.Variable([[1.0,2.0]])         ## 这里定义了一个行向量X,浮点型
w = tf.Variable([[3.0],[5.0]])       ## 这里定义了一个列向量y,浮点型
y = tf.matmul(x,w)                   ## 通过tensorflow的matmul方法计算两个向量的乘积

## 下面这段代码可以理解为“运行计算图”部分
init_op = tf.global_variables_initializer()    ## 把
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值