Tensorflow張量（tensor）解析

tensor是tensorflow基礎的乙個概念——張量。

定義在 framework/ops.py

tensorflow用到了資料流圖，資料流圖包括資料（data）、流（flow）、圖（graph）。tensorflow裡的資料用到的都是tensor，所以谷歌起名為tensorflow。

下面介紹張量幾個比較重要的概念

張量的維度（秩）：rank/order

rank為0、1、2時分別稱為標量、向量和矩陣，rank為3時是3階張量，rank大於3時是n階張量。這些標量、向量、矩陣和張量裡每乙個元素被稱為tensor element（張量的元素），且同乙個張量裡元素的型別是保持一樣的。

tensor的屬性

class tensor(_tensorlike):

def op(self)                #op是operation的縮寫是產生這個tensor的操作運算，對應圖上的結
點，這些結點接收一些tensor作為輸入並輸出一些tensor
def dtype(self):             #tensor裡每乙個元素的資料型別是一樣的
def graph(self):             #tensor所屬的圖
def name(self):              #tensor的名字
def device(self):            #tensor在哪個裝置上被計算出來的
def shape(self):             #形狀shape
def _get_input_ops_without_shapes(self, target_op):
def _c_api_shape(self):
def _shape(self):            #形狀shape
def _shape_as_list(self):    #形狀shape
def _shape_tuple(self):      #形狀shape
def _rank(self):             #張量的維度（秩）
def get_shape(self):         #形狀shape
def set_shape(self, shape):
def value_index(self):
def consumers(self):
def _as_node_def_input(self):
def _as_tf_output(self):
def __nonzero__(self):
def eval(self, feed_dict=none, session=none):

import tensorflow as tf

d=tf.constant(1,dtype=tf.float32,shape=[3,3,3,3],name='d')
print(d)
print(d.name)
print(d.value_index)
print(d.shape)
print(d.dtype)
輸出tensor("d:0", shape=(3, 3, 3, 3), dtype=float32)
d:00
(3, 3, 3, 3)

Tensorflow實戰 張量

import tensorflow as tf tf.constant 是乙個計算，這個計算的結果為乙個張量，儲存在變數a中。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 pr...

tensorflow 張量生成

coding utf 8 import tensorflow as tf import numpy as np 建立張量 a tf.constant 1 5 dtype tf.int64 print a a print a.dtype a.dtype print a.shape a.shape a ...

tensorflow 張量的理解

可以把張量理解成乙個陣列或列表，乙個張量有乙個靜態型別和動態型別的維數.張量可以在圖中的節點之間流通.在tensorflow系統中，張量的維數來被描述為階.但是張量的階和矩陣的階並不是同乙個概念.張量的階 有時是關於如順序或度數或者是n維 是張量維數的乙個數量描述.比如，下面的張量 使用python...