tensorflow 關於張量 shape 數組_機器學習

張量的階、形狀、資料類型

TensorFlow用張量這種資料結構來表示所有的資料.你可以把一個張量想象成一個n維的數組或列表.一個張量有一個靜態類型和動態類型的維數.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一個概念.張量的階（有時是關於如順序或度數或者是n維）是張量維數的一個數量描述.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]]

你可以認為一個二階張量就是我們平常所說的矩陣，一階張量可以認為是一個向量.對於一個二階張量你可以用語句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. 階 數學執行個體 Python 例子 0 純量 (只有大小) s = 483 1 向量(大小和方向) v = [1.1, 2.2, 3.3] 2 矩陣(資料表) m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] 3 3階張量 (資料立體) t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]] n n階 (自己想想看) .... 形狀

TensorFlow文檔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： 階 形狀 維數 執行個體 0 [ ] 0-D 一個 0維張量. 一個純量. 1 [D0] 1-D 一個1維張量的形式[5]. 2 [D0, D1] 2-D 一個2維張量的形式[3, 4]. 3 [D0, D1, D2] 3-D 一個3維張量的形式 [1, 4, 3]. n [D0, D1, ... Dn] n-D 一個n維張量的形式 [D0, D1, ... Dn]. shape [2,3] 表示為數組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]]]

tensorflow中有一類在tensor的某一維度上求值的函數，

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)

參數（1）input_tensor:待求值的tensor。

參數（2）reduction_indices:在哪一維上求解。

參數（3）（4）可忽略

舉例說明：

# 'x' is [[1., 2.]#         [3., 4.]]

x是一個2維數組，分別調用reduce_*函數如下：

首先求平均值，

tf.reduce_mean(x) ==> 2.5 #如果不指定第二個參數，那麼就在所有的元素中取平均值tf.reduce_mean(x, 0) ==> [2.,  3.] #指定第二個參數為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.] #指定第二個參數為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。