【】tensorflow学习笔记

一、看懂了Tensor("mul_1:0", shape=(), dtype=int32)中的shape

https://blog.csdn.net/u013378306/article/details/56281549

张量的阶、形状、数据类型

 TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.

在TensorFlow系统中,张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶(有时是关于如顺序或度数或者是n维)是张量维数的一个数量描述.比如,下面的张量(使用Python中list定义的)就是2阶.

    t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以认为一个二阶张量就是我们平常所说的矩阵,一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素.而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.

数学实例Python 例子
0 纯量 (只有大小) s = 483
1 向量(大小和方向) v = [1.1, 2.2, 3.3]
2 矩阵(数据表) m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3 3阶张量 (数据立体) t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n n阶 (自己想想看) ....

形状

TensorFlow文档中使用了三种记号来方便地描述张量的维度:阶,形状以及维数.下表展示了他们之间的关系:

形状维数实例
0 [ ] 0-D 一个 0维张量. 一个纯量.
1 [D0] 1-D 一个1维张量的形式[5].
2 [D0, D1] 2-D 一个2维张量的形式[3, 4].
3 [D0, D1, D2] 3-D 一个3维张量的形式 [1, 4, 3].
n [D0, D1, ... Dn] n-D 一个n维张量的形式 [D0, D1, ... Dn].
shape [2,3] 表示为数组的意思是第一维有两个元素,第二维有三个元素,如: [[1,2,3],[4,5,6]]

 

 

[html] view plain copy
 
  1. ```python  
  2.  # 2-D tensor `a`  
  3.  a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3]) => [[1. 2. 3.]  
  4.                                                        [4. 5. 6.]]  
  5.  # 2-D tensor `b`  
  6.  b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2]) => [[7. 8.]  
  7.                                                           [9. 10.]  
  8.                                                           [11. 12.]]  
  9.  c = tf.matmul(a, b) => [[58 64]  
  10.                          [139 154]]  
  11.   
  12.   
  13.  # 3-D tensor `a`  
  14.  a = tf.constant(np.arange(1,13), shape=[2, 2, 3]) => [[[ 1.  2.  3.]  
  15.                                                         [ 4.  5.  6.]],  
  16.                                                        [[ 7.  8.  9.]  
  17.                                                         [10. 11. 12.]]]  
  18.   
  19.  # 3-D tensor `b`  
  20.  b = tf.constant(np.arange(13,25), shape=[2, 3, 2]) => [[[13. 14.]  
  21.                                                          [15. 16.]  
  22.                                                          [17. 18.]],  
  23.                                                         [[19. 20.]  
  24.                                                          [21. 22.]  
  25.                                                          [23. 24.]]]  
  26.  c = tf.matmul(a, b) => [[[ 94 100]  
  27.                           [229 244]],  
  28.                          [[508 532]  
  29.                           [697 730]]]  

 tensorflow中有一类在tensor的某一维度上求值的函数,

 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)

参数(1)input_tensor:待求值的tensor。

参数(2)reduction_indices:在哪一维上求解。

参数(3)(4)可忽略

举例说明:

 # 'x' is [[1., 2.]

#         [3., 4.]]
x是一个2维数组,分别调用reduce_*函数如下:

 首先求平均值,

 tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数,那么就在所有的元素中取平均值

tf.reduce_mean(x, 0) ==> [2.,  3.] #指定第二个参数为0,则第一维的元素取平均值,即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.,  2.] #指定第二个参数为1,则第二维的元素取平均值,即每一行求平均值
同理,还可用tf.reduce_max()求最大值。
 

 

posted on 2018-05-18 10:57  cy163  阅读(220)  评论(0编辑  收藏  举报

导航