张量 tensor

Posted 2020-11-27 maxim

张量 tensor

Tensor是一个类， 包含了属性和常用函数， 一个Tensor对象主要包含一下三个部分，

如下所示：

Tensor("placeholder:0", shape=(2, 3), dtype=float32)

• 第一部分是Tensor Name， 比如：‘Constant‘、 ’placeholder、 ‘Varuable‘等，

       没什么实质性的含义， 知识表示Tensor的顺序，当前是0， 那么下一个Tensor就是1；

• 第二部分是Tensor  shape,Tensor的形状，这里是[2,3], 也就是2行3列；
• 第三部分是Tensor Type， 也就是tensor张量的数据类型

张量的形状

张量的形状，在Tensorflow中我们用阶乘表示：

 

 

 

 

 

 

在Tensorflow中，[n,m]向量， 表示n行m列， 行表示特征数量， 列表示样本数量。

Tensor数据类型

tensor的数据类型有很多， 如下图所示：

 

 

 

 

 

这里有float32， float64， 同理还有int32， int64，float64表示浮点数的精度，

但是实际并不会多分配内存，两者的使用效果差不多， 我们常用的float32.

 

Tensor 属性

tensor对象有以下属性， 我们可以通过tensor对象进行获取。

•  graph：张量对所在的图
• op ： 张量的op
• name： 张量的名字
• shape： 张量的形状

示例

 1 import tensorflow as tf
 2 
 3 a = tf.constant(1.0)
 4 
 5 
 6 with tf.Session() as sess:
 7     print("graph-->", a.graph)
 8     print("op-->", a.op)
 9     print("name-->", a.name)
10     print("shape-->", a.shape)

 

输出结果：

graph--> <tensorflow.python.framework.ops.Graph object at 0x0000026D64F78C88>
op--> name: "Const"
op: "Const"
attr {
  key: "dtype"
  value {
    type: DT_FLOAT
  }
}
attr {
  key: "value"
  value {
    tensor {
      dtype: DT_FLOAT
      tensor_shape {
      }
      float_val: 1.0
    }
  }
}

name--> Const:0
shape--> ()

 

placeholder占位符张量

我们可以通过tf.placeholder来创建一个占位符张量， 用于在运行图的时候，可以动态

的赋予数据， 在Session中运行图的时候， 我们通过run（fetches， feed_dict=None,

graph=None)来来动态的赋予数据。

参数说明：

•  feches：tensor
• feed_dict：喂养的动态数据
• graph：默认就是当前的图，所以不用填写。

 1 import tensorflow as tf
 2 
 3 plt = tf.placeholder(tf.float32, [2,3])
 4 print(plt)
 5 
 6 
 7 with tf.Session() as sess:
 8     print(sess.run(plt, feed_dict = {plt: [
 9                                      [1, 2, 3],
10                                      [4, 5, 6]
11     ]
12     }))

 

输出结果

Tensor("Placeholder:0", shape=(2, 3), dtype=float32)

[[1. 2. 3.]
 [4. 5. 6.]]

 

 

从图中可以看到，plt就是一个张量tensor

 张量的动态形状和静态形状

Tensorflow中， 张量具有静态形状和动态形状。

•  静态形状

创建一个张量， 初始状态的形状， 如果初始形态的状态的shape有不确定的项，可以通过tf.Tensor.set_shape()

去更新形状，一旦shape是确定的，不允许给修改，这个张量在整张图的运行中都是不能修改的。

 

可以通过tf.Tensor.get_shape()去获取静态的形状。

核心api：

获取静态形状：tf.Tensor.get_shape()

更新静态形状：tf.Tensor.set_shape()

•  动态形状

一张描述原始张量在执行过程中的一种形状， 这个张量在图的执行过程中是可以动态改变的。

核心api：

更新形状： tf.reshape()

示例：

 1 import tensorflow as tf
 2 
 3 plt = tf.placeholder(tf.float32, [None,2])
 4 print(plt)
 5 
 6 #列已经确定了，行没有确定可以修改
 7 plt.set_shape([3,2])
 8 print(plt)
 9 print(plt.get_shape())
10 
11 
12 #reshape重新创建一个张量
13 plt2 = tf.reshape(plt, [2,3])
14 print(plt2)
15 with tf.Session() as sess:
16     pass

 

输出结果：

 

Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Placeholder:0", shape=(3, 2), dtype=float32)
(3, 2)
Tensor("Reshape:0", shape=(2, 3), dtype=float32)

 

 

补充说明：reshape前后的张量的个数是不可变的，可以使用tensorflow提供的api创建张量

创建随机张量

 1 tf.random.normal(shape, mean=0.0, stddev=1.0 , dtype=float32, seed=None, name=None) 

说明：只需要关注两个参数，mean表示的是数据的平均值，stddev是数据的标准差

，当mean=0，stddev=1时，就是标准正太分布。

张量类型的转换

例如：将张量的dtype是tf.int32类型的，可以转换为tf.float32类型的。

核心api：tf.cast()

示例如下：

1 a = tf.constant(1.0) 
2 b = tf.cast(a,tf.int32)

 

在上面的示例中将float32类型的转换为了int32类型的。

张量的合并

可以将两个张量合并，核心api是tf.concat(),示例如下：

1 import tensorflow as tf
2 
3 b = [[1,2,3],[4,5,6]]
4 c = [[7,8,9],[10,11,12]]
5 #张量合并
6 d = tf.concat([b,c], axis = 0)
7 
8 with tf.Session() as sess:
9     print(d.eval())

 

输出结果：

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

 

补充说明：axis=0表示按行合并，axis=1表示按列合并