**
張量的階、形狀、資料型別
tensorflow用張量這種資料結構來表示所有的資料.你可以把乙個張量想象成乙個n維的陣列或列表.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.
階在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中list定義的）就是2階.
t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]t[i, j]來訪問其中的任何元素.而對於三階張量你可以用't[i, j, k]'來訪問其中的任何元素.
tensorflow文件中使用了三種記號來方便地描述張量的維度：階，形狀以及維數.下表展示了他們之間的關係：
shape [2,3] 表示為陣列的意思是第一維有兩個元素，第二維有三個元素，如: [[1,2,3],[4,5,6]]
```python
# 2-d tensor `a`
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3]) => [[1. 2. 3.]
[4. 5. 6.]]
# 2-d tensor `b`
b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2]) => [[7. 8.]
[9. 10.]
[11. 12.]]
c = tf.matmul(a, b) => [[58 64]
[139 154]]
# 3-d tensor `a`
a = tf.constant(np.arange(1,13), shape=[2, 2, 3]) => [[[ 1. 2. 3.]
[ 4. 5. 6.]],
[[ 7. 8. 9.]
[10. 11. 12.]]]
# 3-d tensor `b`
b = tf.constant(np.arange(13,25), shape=[2, 3, 2]) => [[[13. 14.]
[15. 16.]
[17. 18.]],
[[19. 20.]
[21. 22.]
[23. 24.]]]
c = tf.matmul(a, b) => [[[ 94 100]
[229 244]],
[[508 532]
[697 730]]]
如：求最大值tf.reduce_max(input_tensor, reduction_indices=none, keep_dims=false, name=none)
求平均值tf.reduce_mean(input_tensor, reduction_indices=none, keep_dims=false, name=none)
引數（1）input_tensor:待求值的tensor。
引數（2）reduction_indices:在哪一維上求解。
引數（3）（4）可忽略
舉例說明：
# 'x' is [[1., 2.]
# [3., 4.]]
x是乙個2維陣列，分別呼叫reduce_*函式如下：
首先求平均值，
tf.reduce_mean(x) ==> 2.5 #如果不指定第二個引數，那麼就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二個引數為0，則第一維的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1., 2.] #
指定第二個引數為1，則第二維的元素取平均值，即每一行求平均值同理，還可用tf.reduce_max()求最大值。
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（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...