7 Tensors的概念

查看大图

TensorFlow 学习要把张量、模型、训练和部署放在一条线上，而不是只看单段代码。阅读时可以按「什么是Tensor？ -> Tensor的维度 -> Tensor的创建 -> 使用常量创建Tensor」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「什么是Tensor？」，再查「Tensor的维度」。

在前面的章节中，我们完成了环境的搭建，成功安装了TensorFlow。现在，我们将深入研究TensorFlow的基本概念之一——Tensors。

什么是Tensor？

在机器学习和深度学习中，Tensor是数据的基本表示形式。简单来说，Tensor可以被视作是一个多维数组，用于存储和操作数据。在TensorFlow中，数据以Tensor的形式存在，无论是标量、向量、矩阵，还是更高维的数组都可以用Tensor表示。

查看大图

理解 Tensor 时，先看 rank、shape、dtype 和设备位置。张量是后续模型输入输出的基本载体。

Tensor的维度

• 标量（0维Tensor）：单个数值，例如 $5$ 或 $-3.14$。

• 向量（1维Tensor）：一组数值，例如 $[1, 2, 3]$ 或 $[3.5, 6.7, 9.0]$。

矩阵（2维Tensor）：由行和列组成的二维数组，例如：

$$\begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix}$$

高维Tensor：可以是三维、四维，甚至更高维度，例如一个三维Tensor可以表示一个图像的RGB通道，形状为(高度, 宽度, 通道数)。

Tensor的创建

在TensorFlow中，我们可以使用多种方法创建Tensor。下面是一些常见的方法：

查看大图

读《Tensors的概念》时，可以把配图当成路线卡：先看整体顺序，再看每一步为什么这样做，最后再检查边界条件。

1. 使用常量创建Tensor

我们可以使用tf.constant()函数创建一个常量Tensor。

import tensorflow as tf

# 创建一个标量Tensor
scalar = tf.constant(5)

# 创建一个向量Tensor
vector = tf.constant([1, 2, 3])

# 创建一个矩阵Tensor
matrix = tf.constant([[1, 2, 3], [4, 5, 6]])

# 创建一个3D Tensor
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

print("标量Tensor:", scalar)
print("向量Tensor:", vector)
print("矩阵Tensor:", matrix)
print("3D Tensor:", tensor_3d)

2. 使用随机数创建Tensor

有时候我们需要生成随机Tensor，例如初始化模型参数时：

# 创建一个随机矩阵，形状为(2, 3)
random_tensor = tf.random.uniform((2, 3), minval=0, maxval=10)
print("随机矩阵Tensor:", random_tensor)

3. 使用占位符（Placeholders）

虽然在TensorFlow 2.x中，更推荐使用tf.function和tf.data等机制，tf.placeholder在1.x版本中用于创建占位符，具有更高的灵活性。

此处不再深入，但要认识到占位符的概念也是Tensor的重要组成部分。

Tensor的形状和数据类型

每个Tensor都有一个形状（shape）和数据类型（dtype）：

• 形状：表示Tensor的维度。例如，一个形状为(2, 3)的Tensor可以视作有2行3列的矩阵。

• 数据类型：包括常见的float32、int32、bool等，TensorFlow会根据你创建Tensor时给定的数据自动推断。

# 查看Tensor的形状和数据类型
print("矩阵的形状:", matrix.shape)
print("矩阵的数据类型:", matrix.dtype)

Tensor的操作

在TensorFlow中，我们可以对Tensor进行各种操作。例如：

1. 加法

a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
result = tf.add(a, b)
print("加法结果:\n", result)

2. 矩阵乘法

matrix_a = tf.constant([[1, 2], [3, 4]])
matrix_b = tf.constant([[5], [6]])
product = tf.matmul(matrix_a, matrix_b)
print("矩阵乘法结果:\n", product)

3. 形状变换

tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
reshaped_tensor = tf.reshape(tensor, (3, 2))
print("变形后的Tensor:\n", reshaped_tensor)

查看大图

如果《Tensors的概念》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《Tensors的概念》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

小结

在本章中，我们深入探讨了Tensor的基本概念，Tensor的不同维度以及如何在TensorFlow中创建和操作Tensor。理解Tensor是学习和应用TensorFlow的基础，它是实现各种机器学习和深度学习算法的核心数据结构。在下一章中，我们将继续讨论TensorFlow中的操作与计算图，进一步加深对TensorFlow工作的理解。