在 tensorflow 中，標量最容易理解，它就是乙個簡單的數字，維度數為 0， shape 為。標量的一些典型用途是誤差值的表示、 各種測量指標的表示，比如準確度(accuracy，簡稱 acc)，精度(precision)和召回率(recall)等。
向量是一種非常常見的資料載體，如在全連線層和卷積神經網路層中，偏置張量b就使用向量來表示。
矩陣也是非常常見的張量型別，比如全連線層的批量輸入張量x的形狀為[b, din]，其中b表示輸入樣本的個數，即 batch size， din表示輸入特徵的長度。
三維的張量乙個典型應用是表示序列訊號，它的格式是
x =
[b, sequence len
, feature len
]
考慮自然語言處理(natural language processing，簡稱 nlp)中句子的表示，如評價句子的是否為正面情緒的情感分類任務網路。為了能夠方便字串被神經網路處理，一般將單詞通過嵌入層(embedding layer)編碼為固定長度的向量，比如「a」編碼為某個長度 3 的向量， 那麼 2 個等長(單詞數量為 5)的句子序列可以表示為 shape 為[2,5,3]的 3 維張量，其中 2 表示句子個數， 5 表示單詞數量， 3 表示單詞向量的長度。
這裡只討論
三、四維張量，大於四維的張量一般應用的比較少，如在元學習(meta learning)中會採用五維的張量表示方法，理解方法與
三、四維張量類似，不再贅述。
四維張量在卷積神經網路中應用非常廣泛，它用於儲存特徵圖(feature maps)資料，格式一般定義為[b,ℎ,w,c]，其中b表示輸入樣本的數量， ℎ/ w分別表示特徵圖的高/寬， c表示特徵圖的通道數， 部分深度學習框架也會使用[b, c, ℎ, w]格式的特徵圖張量，例如 pytorch。 資料是特徵圖的一種， 對於含有 rgb 3 個通道的彩色，每張包含了ℎ行 列畫素點，每個點需要 3個數值表示 rgb 通道的顏色強度，因此一張可以表示為[ℎ, w, 3]。
本文完全**於感謝原作者的完美工作，這是tf2.0的內容，超級棒。我只是用jupter notebook學習一遍，供本文和大家參考。
TensorFlow2 1張量排序
排序函式tf.sort 用法 tf.sort values,axis 1 direction ascending name none 引數說明 排序的座標tf.argsort 返回張量的索引，該張量給出沿軸的排序順序。用法 tf.argsort values,axis 1 direction asc...
Tensorflow2 0張量生成
tensorflow 1 tensor就是張量，多維陣列，多維列表，階表示張量的維數 dimension 維數階 名字例子 0 d標量scalar s 1 2 3 1 d向量vector v 1,2,3 2 d矩陣matrix m 1,2,3 4,5,6 7,8,9 n dn 張量tensor t ...
tensorflow犯錯記錄1（張量使用）
舉例 1 少了，號分隔符 錯誤 結果如下 張量的形狀 import tensorflow as tf tens1 tf.constant 1,2,2 2,2,3 3,5,6 5,4,3 7,0,1 9,1,9 11,12,7 1,3,14 name tens1 語句中包含 或 括號，中間換行的就不需...