TensorFlow基础知识2-张量_tensorflow代码里都需要使用张量吗-优快云博客

1张量是什么？

张量是TensorFlow管理数据的形式。在TensorFlow程序中，所有数据都是通过张量的形式来表示的。张量是TensorFlow中运算结果的引用，在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。
如下代码不会得到加法的结果，而是得到对结果的一个引用。

import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a,b,name="add")
# result = a + b
print(result)

输出

Tensor("add:0", shape=(2,), dtype=float32)

TensorFlow计算的结果不是一个具体的数字，而是一个张量的结构。
张量保存了三个属性：名字name、维度shape、类型type

张量的第一个属性名字不仅是张量的唯一标识符，同样也给出了这个张量是如何计算出来的。

张量的命名形式“node：src_output”，
node：是节点名称，
src_output:表示当前张量来自节点的第几个输出。

再次运行后可以看到输出变成如下所示：

Tensor("add_1:0", shape=(2,), dtype=float32)

连续运行几次代码，node节点名会变化，我们可以看看tensorboard显示
这里写图片描述

2张量的使用

张量的用途主要可以总结为两类

1、对中间计算结果的引用。

import tensorflow as tf
#使用张量记录中间结果
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b

#直接计算向量的和，可读性会比较差
result = tf.constant([1.0, 2.0], name="a") +  tf.constant([2.0, 3.0], name="b")

通过张量存储中间结果，这样可以方便获取中间结果。

2、当计算图构造完成后，张量可以用来获得计算结果。

可以使用tf.Session().run(result)来得到计算结果。

tf.Session().run(result)

3TensorFlow的数据类型

1、Python原生类型
TensorFlow可接收Python数值、布尔值、字符串或由它们构成的列表。

t_0 = 50                           #0阶张量或标量

t_1 = ["apple","peach","banana"]   #1阶张量或向量

t_2 = [[True,False,False],         #2阶张量或矩阵
       [False,False,True],
       [False,True,False]]

t_3 = [[[0,0],[0,1],[0,2]],         #3阶张量
       [[1,0],[1,1],[1,2]],
       [[2,0],[2,1],[2,2]]]

2、Numpy
TensorFlow与专门操作N维数组而设计的科学计算包Numpy是紧密集成的。

import numpy as np
t_0 = np.array(50,dtype=np.int32)               #0阶张量或标量

t_1 = np.array(["apple","peach","banana"])   #1阶张量或向量

t_2 = np.array([[True,False,False],           #2阶张量或矩阵
       [False,False,True],
       [False,True,False]],dtype=np.bool)

t_3 = np.array([[[0,0],[0,1],[0,2]],            #3阶张量
       [[1,0],[1,1],[1,2]],
       [[2,0],[2,1],[2,2]]],
        dtype=np.int64)

手工指定Tensor对象时，使用NumPy是推荐的方式。

阶	数学实例	Python 例子
0	纯量 (只有大小)	s = 483
1	向量(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量 (数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶 (自己想想看)	….

TensorFlow数据类型如下表所列

数据类型(dtype)	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数.
DT_DOUBLE	tf.float64	64 位浮点数.
DT_INT64	tf.int64	64 位有符号整型.
DT_INT32	tf.int32	32 位有符号整型.
DT_INT16	tf.int16	16 位有符号整型.
DT_INT8	tf.int8	8 位有符号整型.
DT_UINT8	tf.uint8	8 位无符号整型.
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL	tf.bool	布尔型.
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型.
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型.
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型.

4张量的形状shape

TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：

阶	形状	维数	实例
0	[ ]	0-D	一个 0维张量. 一个纯量.
1	[D0]	1-D	一个1维张量的形式[5].
2	[D0, D1]	2-D	一个2维张量的形式[3, 4].
3	[D0, D1, D2]	3-D	一个3维张量的形式 [1, 4, 3].
n	[D0, D1, … Dn]	n-D	一个n维张量的形式 [D0, D1, … Dn].

可以通过tf.shape查看shape

t3_3 = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
shape = tf.shape(t3_3)
sess = tf.Session()
print(sess.run(shape))

输出：[3 3]

t3_3_1 = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
shape = tf.shape(t3_3_1)
sess = tf.Session()
print(sess.run(shape))

输出：[3 3 1]

t3_3_2 = [[[2,2], [4,4], [6,6]], [[8,8], [10,10], [12,12]], [[14,14], [16,16], [18,18]]]
shape = tf.shape(t3_3_2)
sess = tf.Session()
print(sess.run(shape))

输出：[3 3 2]

文章出处：https://blog.youkuaiyun.com/hongxue8888/article/details/76560115