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...