Tensorflow張量(tensor)解析

2021-09-24 02:43:10 字數 1800 閱讀 7187

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):

案例

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官網:

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...