【Tensorflow入门教程三】张量的阶、形状和数据类型

张量

本文来源于Tensorflow官方文档，官方介绍的很详细，相信大家看完对Tensor会有一个比较清晰的认识。

正如名称所示，TensorFlow 这一框架定义和运行涉及张量的计算。张量是对矢量和矩阵向潜在的更高维度的泛化。对内，TensorFlow 将张量表现为基本数据类型的 n 维数组。

在编写 TensorFlow 程序时，操控和传递的主要目标是 tf.Tensor。tf.Tensor 目标表示一个部分定义的计算，最终会产生一个值。TensorFlow 程序首先建立 tf.Tensor 目标图，详细说明如何基于其他可用张量来计算每个张量，然后运行该图的部分内容以获得所期望的结果。

tf.Tensor 有以下属性：

• 数据类型（例如 float32，int32 或 string）
• 形状

张量中的每个元素都具有相同的数据类型，且该数据类型一定是已知的。形状，即张量的维数和每个维度的大小，可能只有部分已知。如果其输入的形状也完全已知，则大多数指令会生成形状完全已知的张量，但在某些情况下，只能在图的执行时间找到张量的形状。

某些类型的张量是特殊的，《编程人员指南》的其他部分中有所介绍。以下是主要的特殊张量：

• tf.Variable
• tf.constant
• tf.placeholder
• tf.SparseTensor

除 tf.Variable 以外，张量的值不可变，这意味着在单一执行的情况下，张量只有一个值。然而，同一张量的两次评估可能会返回不同的值；例如，该张量可以是从磁盘读取数据的结果，或是生成随机数的结果。

阶

tf.Tensor 的阶就是它本身的维数。阶的同义词包括：秩序，等级或 n 维。 请注意，TensorFlow 中的阶与数学中矩阵的阶并不是同一个概念。如下表所示，TensorFlow 中的每个阶都对应一个不同的数学实例：

阶	数学实例
0	标量（只有大小）
1	矢量（大小和方向）
2	矩阵（数据表）
3	3 阶张量（数据立体）
n	n 阶张量（自行想象）

0 阶

以下摘要演示了创建 0 阶变量的过程：

mammal = tf.Variable("Elephant", tf.string)
ignition = tf.Variable(451, tf.int16)
floating = tf.Variable(3.14159265359, tf.float64)
its_complicated = tf.Variable(12.3 - 4.85j, tf.complex64)
注意：字符串在 TensorFlow 中被视为单一项，而不是一连串字符。TensorFlow 可以有标量字符串，字符串矢量，等等。

1 阶

要创建 1 阶 tf.Tensor 目标，可以传递一个项列表作为初始值。例如：

mystr = tf.Variable(["Hello"], tf.string)
cool_numbers  = tf.Variable([3.14159, 2.71828], tf.float32)
first_primes = tf.Variable([2, 3, 5, 7, 11], tf.int32)
its_very_complicated = tf.Variable([12.3 - 4.85j, 7.5 - 6.23j], tf.complex64)

更高阶

2 阶 tf.Tensor 目标由至少一行一列组成：

mymat = tf.Variable([[7],[11]], tf.int16)
myxor = tf.Variable([[False, True],[True, False]], tf.bool)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
rank_of_squares = tf.rank(squarish_squares)
mymatC = tf.Variable([[7],[11]], tf.int32)

更高阶的张量，同样由一个 n 维数组组成。例如，在图像处理过程中，会使用许多 4 阶张量，维度对应批量示例，图像宽度，图像高度和颜色通道。

my_image = tf.zeros([10, 299, 299, 3])  # batch x height x width x color

获取 tf.Tensor 目标的阶

要确定 tf.Tensor 目标的阶，需调用 tf.rank 方法。例如，以下方法以编程方式确定上一章节中所定义的 tf.Tensor阶：

r = tf.rank(my_image)
# After the graph runs, r will hold the value 4.

参考 tf.Tensor 切片

由于 tf.Tensor n 维单元数组，要访问 tf.Tensor 中的某一单元，则需要指定 n 指数。

0 阶张量（标量）不需要指数，因为其本身便是单一数字。

对于 1 阶张量（矢量）来说，传递单一指数则可以访问一个数字：

my_scalar = my_vector[2]

请注意，如果想从矢量中动态地选择元素，那么 [] 内传递的指数本身可以是一个标量 tf.Tensor。

对于 2 阶及以上的张量来说，情况更为有趣。对于 2 阶张量的 tf.Tensor 来说，传递两个数字会如预期般返回一个标量：

my_scalar = my_matrix[1, 2]

而传递一个数字，则会返回一个矩阵的子矢量，如下所示：

my_row_vector = my_matrix[2]
my_column_vector = my_matrix[:, 3]

符号 : 是 Python 切片语法，意味“不要触碰该维度”。这对更高阶的张量来说很有用，可以帮助访问其子矢量，子矩阵，甚至其他子张量。

形状

张量的形状是每个维度中元素的数量。TensorFlow 在图的构建过程中自动推理形状。这些推理的形状可能具有已知或未知的阶。如果阶已知，则每个维度的大小可能已知或未知。

TensorFlow 文件编制中通过三种符号约定来描述张量维度：阶，形状和维数。下表阐述了三者如何相互关联：

阶	形状	维数	示例
0	[]	0-D	0 维张量。标量。
1	[D0]	1-D	形状为 [5] 的 1 维张量。
2	[D0, D1]	2-D	形状为 [3, 4] 的 2 维张量。
3	[D0, D1, D2]	3-D	形状为 [1, 4, 3] 的 3 维张量。
n	[D0, D1, ... Dn-1]	n-D	形状为 [D0, D1, ... Dn-1] 的张量。

形状可以通过 Python 的整数列表或元祖来进行表示，也可以用 tf.TensorShape。

获取 tf.Tensor 目标的形状

获得 tf.Tensor 形状的方法有两种。在构建图的时候，询问有关张量形状的已知信息通常很有帮助。这一点可以通过读取 tf.Tensor 目标的 shape 属性来做到。该方法会返回一个 TensorShape 目标，可以方便地表示部分指定的形状（因为在构建图的时候，并不是所有形状都完全已知）。

同时，也可能在运行时获取一个将会表示另一个 tf.Tensor 完全指定的形状的 tf.Tensor。这一点可以通过调用 tf.shape 指令完成。如此一来，您可以构建一个图，通过构建其他取决于输入 tf.Tensor 的动态形状的张量来控制张量的形状。

例如，以下内容展示了如何制作与给定矩阵中的列数相同大小的零矢量：

zeros = tf.zeros(my_matrix.shape[1])

改变 tf.Tensor 的形状Tensor

张量的元素数量是其所有形状大小的乘积。标量的元素数量永远是 1。由于通常有许多不同的形状具有相同的元素数量，因此如果能够改变 tf.Tensor 的形状可以带来很多便利，保持其元素固定。这一点可以通过 tf.reshape 来完成。

以下示例演示如何重构张量：

rank_three_tensor = tf.ones([3, 4, 5])
matrix = tf.reshape(rank_three_tensor, [6, 10])  # Reshape existing content into
                                                 # a 6x10 matrix
matrixB = tf.reshape(matrix, [3, -1])  #  Reshape existing content into a 3x20
                                       # matrix. -1 tells reshape to calculate
                                       # the size of this dimension.
matrixAlt = tf.reshape(matrixB, [4, 3, -1])  # Reshape existing content into a
                                             #4x3x5 tensor

# Note that the number of elements of the reshaped Tensors has to match the
# original number of elements. Therefore, the following example generates an
# error because no possible value for the last dimension will match the number
# of elements.
yet_another = tf.reshape(matrixAlt, [13, 2, -1])  # ERROR!

数据类型

除维度外，张量还有数据类型。请参阅《编程人员指南》中的 tf.DataType 页面，以获取数据类型的完整列表。

一个 tf.Tensor 只可能有一种数据类型。但是，可以将任意数据结构序列化为 string 并将其存储在 tf.Tensor 中。

可以通过 tf.cast 来将 tf.Tensor 从一个数据类型转换到另一种：

# Cast a constant integer tensor into floating point.
float_tensor = tf.cast(tf.constant([1, 2, 3]), dtype=tf.float32)

要检查 tf.Tensor 的数据类型，请使用 Tensor.dtype 属性。

创建来自 Python 目标的 tf.Tensor 时，可以选择指定数据类型。如果不指定数据类型，TensorFlow 会选择一个可以表示数据的数据类型。TensorFlow 将 Python 整数转换为 tf.int32，并将 Python 浮点数转换为 tf.float32。此外，TensorFlow 使用 Numpy 在转换至数组时使用的相同规则。

评估张量

一旦计算图建立完毕，就可以运行生成特定 tf.Tensor 的计算并提取分配给它的值。这对于程序调试很有帮助，也是 TensorFlow 的大部分功能可用所必需的。

评估张量最简单的方法是使用 Tensor.eval 方法。例如：

constant = tf.constant([1, 2, 3])
tensor = constant * constant
print tensor.eval()

eval 方法仅在默认 tf.Session 值处于活动状态时才起作用（请参阅《图和会话》获取更多信息）。

Tensor.eval 会返回一个与张量内容相同的 Numpy 数组。

有时不可能在没有背景的情况下评估 tf.Tensor，因为它的值可能取决于无法获取的动态信息。例如，在没有提供 placeholder 值的情况下，无法评估依赖于 placeholder 的张量。

p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval()  # This will fail, since the placeholder did not get a value.
t.eval(feed_dict={p:2.0})  # This will succeed because we're feeding a value
                           # to the placeholder.

请注意，可以给任何 tf.Tensor 赋值，而不仅仅是占位符。

其他模型构造可能会使评估 tf.Tensor 变得较为复杂。TensorFlow 无法直接评估函数内部或控制流结构内部定义的 tf.Tensor。如果 tf.Tensor 取决于队列中的值，那么只有在某些东西加入队列后才能评估 tf.Tensor；否则，评估将被搁置。在处理队列时，请先调用 tf.train.start_queue_runners，再评估 tf.Tensor。

打印张量

出于调试目的，可能需要打印 tf.Tensor 值。 提供高级调试支持，而 TensorFlow 也有一个指令可以直接打印 tf.Tensor 的值。

请注意，打印 tf.Tensor 时很少使用以下模式：

t = <>
print t  # This will print the symbolic tensor when the graph is being built.
         # This tensor does not have a value in this context.

使用该代码会打印 tf.Tensor 目标（表示延迟计算），而不是其值。相反，TensorFlow 提供 tf.Print 指令，该指令返回其第一个张量参数，参数保持不变，同时打印传递的 tf.Tensor 作为第二个参数。

要正确使用 tf.Print，则必须使用其返回的值。请参阅下文的示例：

t = <>
tf.Print(t, [t])  # This does nothing
t = tf.Print(t, [t])  # Here we are using the value returned by tf.Print
result = t + 1  # Now when result is evaluated the value of `t` will be printed.

在评估 result 时，会评估所有影响 result 的元素。由于 result 依靠 t，而评估 t 会导致打印其输入（t 的旧值），所以 t 会被打印。

 

如果你觉得有用，帮忙扫个红包支持一下吧：