5个简单步骤掌握TensorFlow中的Tensor

在这篇文章中，我们将深入研究Tensorflow Tensor的实现细节。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

张量是TensorFlow的均匀型多维数组，它非常类似于NumPy数组，并且是不可变的，这意味着一旦创建它们就不能被更改。

首先，要使用TensorFlow对象，我们需要导入TensorFlow库，因为我们经常将NumPy与TensorFlow一起使用，因此我们也可以导入NumPy：

import tensorflow as tf
import numpy as np

张量的创建：创建张量对象

有多种方法可以创建tf.Tensor对象，同时也可以使用多个TensorFlow函数来创建张量对象，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）。

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。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],