這幾天在看一些tensorflow如何建立神經網路**，對張量的維數問題產生了一些困惑，在查閱了資料後將自己的理解和感悟寫下。
更新：如何判斷張量的shape
比如：
img1 = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)我的理解如下：
首先先看最裡面的括號，它表示一位張量，看裡面的元素的個數，上面**最裡面括號裡有1個元素。
接著看倒數第二層括號，倒數第二層括號裡面有4個元素。
同理倒數第三層括號裡有4個元素。
最外側括號裡有1個3維張量。
因此它的shape為：[1 4 4 1]
首先一維矩陣是很好理解的
a = tf.ones([2])
sess = tf.session()
sess.run(tf.global_variables_initializer())
print(sess.run(a))
a = tf.ones([2，3])
sess = tf.session()
sess.run(tf.global_variables_initializer())
print(sess.run(a))
三維矩陣就不能用簡單的行列式來理解了，它產生了2*3*3個1，先看最右邊的3，代表最內層矩陣有3個1（我覺得可以理解成矩陣的列），接著中間的3代表第二層矩陣，它有3行，最左邊的2表示最外層矩陣，有2行。我們如果給它填充些數字
它產生的結果如上圖，為什麼是這麼填充的呢？
首先執行最右邊的3，表示最內層矩陣a有3個元素：[1. 2. 3.]
接著執行中間的3，表示中間層b有3個最內層矩陣a：
[[1. 2. 3.]
[4. 5. 6.]
[7. 8. 9.]]
最後執行最左邊的2，表示最外層有2個中間層b，因為並有個18個數字，所以剩下的9個數字都是最後的9：
[[[1. 2. 3.]
[4. 5. 6.]
[7. 8. 9.]]
[[9. 9. 9.]
[9. 9. 9.]
[9. 9. 9.]]]
四維矩陣類似於三維矩陣
tf.reduce_mean這個函式是對矩陣求平均值
reduce_mean( input_tensor, axis=none, keep_dims=false, name=none, reduction_indices=none )
計算tensor各個維度元素的均值。這個方法根據輸入引數axis的維度上減少輸入input_tensor的維度。
舉個例子：
x = tf.constant([[1., 1.], [2., 2.]])
tf.reduce_mean(x) # 1.5
tf.reduce_mean(x, 0) # [1.5, 1.5]
tf.reduce_mean(x, 1) # [1., 2.]
當axis引數取預設值時，計算整個陣列的均值：(1.+1.+2.+2.)/4=1.5
當axis取0，意味著對列取均值：[1.5, 1.5]
當axis取1，意味著對行取均值：[1.0, 2.0]
如是三維陣列，則結果如下：
a = tf.constant([1.,1,2,2,3,3,4,4],shape=[2,2,2])
sess = tf.session()
sess.run(tf.global_variables_initializer())
print("初始矩陣：")
發現，當axis引數為null時，依然計算整個陣列的均值：(float)(1+2+3+4+1+2+3+4)/8=2.5
當axis取0，計算方式是：
[[(1+3)/2, (1+3)/2],
[(2+4)/2, (2+4)/2]]
當axis取1，計算方式是：
[[(1+2)/2, (1+2)/2],
[(3+4)/2, (3+4)/2]]
當axis取2，計算方式是：
[[(1+1)/2, (2+2)/2],
[(3+3)/2, (4+4)/2]]
為什麼呢？？總結的公式如下：
規律：對於k維的，如k=3.
tf.reduce_mean(x, axis=k-1)的結果是對最裡面一維所有元素進行求平均數。
tf.reduce_mean(x, axis=k-2)是對倒數第二層裡的向量對應的元素求平均數。
tf.reduce_mean(x, axis=k-3)把倒數第三層的每個向量對應元素求平均數。
因此，當k=3，axis=2時，對最裡面的所有一維元素求平均數，我們的最內層就是(1,1),(2,2),(3,3),(4,4)，第乙個數字為（1+1）/2=1；
當k=3,axis=1時，對倒數第二層的向量所對應的元素求平均數，([1,1],[2,2])和([3, 3],[4, 4])，第乙個數字為（1+2）/2=1.5；
當k=3，axis=2時，對倒數第三層的向量所對應的元素求平均數，([[1, 1], [2, 2]])([[3, 3], [4, 4]])，第乙個數字為（1+3）/2=2；
四維矩陣也是類似的自己可以嘗試算一下，加深理解。
參考：附加：關於類似於tf.reshape(input,[-1,28,28,1])這樣的函式：
是將原來的input這個張量的shape變成[-1,28,28,1]這個維數，其中的-1表示系統自動計算出在最層的維度。
tensorflow中張量的理解
自己通過網上查詢的有關張量的解釋，稍作整理。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.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...
tensorflow中張量的理解
自己通過網上查詢的有關張量的解釋，稍作整理。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.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...
tensorflow中張量的理解
自己通過網上查詢的有關張量的解釋，稍作整理。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...