TensorFlow - 张量（Tensor）

张量（Tensor）

在Tensorflow中，变量统一称作张量（Tensor）。

张量（Tensor）是任意维度的数组。

• 0阶张量：纯量或标量 (scalar)， 也就是一个数值，例如，\'Howdy\' 或 5
• 1阶张量：向量 (vector)或矢量，也就是一维数组（一组有序排列的数），例如，[2, 3, 5, 7, 11] 或 [5]
• 2阶张量：矩阵 (matrix)，也就是二维数组（有序排列的向量），例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]
• 3阶张量：三维的矩阵，也就是把矩阵有序地叠加起来，成为一个“立方体”
• 以此类推，等等。

在大多数情况下，只会使用一个或多个低维张量（2阶及以下）。

典型 TensorFlow 程序中的大多数代码行都是指令，张量也是计算图中的一种指令。
张量可以作为常量或变量存储在图中。

• 常量是始终会返回同一张量值的指令，存储的是值不会发生更改的张量。
• 变量是会返回分配给它的任何张量的指令，存储的是值会发生更改的张量。 

TensorFlow指南：

• 张量：https://www.tensorflow.org/guide/tensors
• 变量：https://www.tensorflow.org/guide/variables

 

张量的定义

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 6 
 7 x = tf.constant([5.6], name="x_const")  # tf.constant定义标量整数常量并传入值
 8 y = tf.Variable([0], name="y_Variable")  # tf.Variable定义变量并传入默认值
 9 y = y.assign([3])  # 分配一个值
10 
11 with tf.Session() as sess:  # 图必须在会话中运行，会话存储了它所运行的图的状态
12     initialization = tf.global_variables_initializer()  # 使用tf.Variable时，必须在会话开始时明确初始化变量
13     print("x: {}".format(sess.run(x)))
14     print("y: {}".format(sess.run(y)))

运行结果：

x: [5.6]
y: [3]

 

常量相加

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 6 
 7 g = tf.Graph()  # 创建图，虽然TensorFlow提供一个默认图，仍建议创建自己的Graph，以便跟踪状态
 8 
 9 with g.as_default():  # 将定义的图作为默认
10     x = tf.constant(8, name="x_const")  # tf.constant定义标量整数常量并传入值
11     y = tf.constant(5, name="y_const")
12     z = tf.constant(4, name="z_const")
13     sum1 = tf.add(x, y, name="x_y_sum")  # tf.add相加
14     sum2 = tf.add(z, sum1, name="x_y_z_sum")
15     with tf.Session() as sess:  # 图必须在会话中运行
16         print("sum1: {}".format(sum1.eval()))
17         print("sum2: {}".format(sum2.eval()))

 运行结果：

sum1: 13
sum2: 17

 

矢量相加、张量形状与广播

# coding=utf-8
import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

try:
    tf.contrib.eager.enable_eager_execution()
    print("# TF imported with eager execution!")
except ValueError:
    print("# TF already imported with eager execution!")

# ### 矢量（一维张量）加法
primes = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)  # 包含质数的primes矢量
ones = tf.ones([6], dtype=tf.int32)  # 值全为1的ones矢量
just_beyond_primes = tf.add(primes, ones)  # 通过对前两个矢量执行元素级加法而创建的矢量
twos = tf.constant([2, 2, 2, 2, 2, 2], dtype=tf.int32)
primes_doubled = primes * twos  # 通过将primes矢量中的元素翻倍而创建的矢量
print("primes: ", primes)
print("ones: ", ones)
print("just_beyond_primes: ", just_beyond_primes)
print("primes_doubled: ", primes_doubled)

some_matrix = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.int32)
print("some_matrix: ", some_matrix)  # 输出张量将返回其值、形状以及存储在张量中的值的类型
print("value of some_matrix is:\n", some_matrix.numpy())  # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）

# ### 张量形状
scalar = tf.zeros([])  # 标量
vector = tf.zeros([3])  # 值全为0的矢量
matrix = tf.zeros([2, 3])  # 值全为0的2行3列矩阵
print('scalar has shape：', scalar.get_shape(), 'and value:\n', scalar.numpy())
print('vector has shape：', vector.get_shape(), 'and value:\n', vector.numpy())
print('matrix has shape：', matrix.get_shape(), 'and value:\n', matrix.numpy())

# ### 广播
primes2 = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)
ones2 = tf.ones(1, dtype=tf.int32)  # 使用的是标量值（不是全包含1矢量）和广播
just_beyond_primes2 = tf.add(primes2, ones2)
twos2 = tf.constant(2, dtype=tf.int32)  # 使用的是标量值（不是全包含 2 的矢量）和广播
primes_doubled2 = primes2 * twos2
print("primes2: ", primes2)
print("ones2: ", ones2)
print("just_beyond_primes2: ", just_beyond_primes2)
print("primes_doubled2: ", primes_doubled2)

# ### 矢量加法
# 可以对张量执行很多典型数学运算：https://www.tensorflow.org/api_docs/python/tf/math；
# 输出张量将返回其值、形状以及存储在张量中的值的类型；
# 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）；
#
# ### 张量形状（shape）
# 形状（shape）用于描述张量维度的大小和数量；
# 张量的形状表示为list，其中第i个元素表示维度i的大小；
# 列表的长度表示张量的阶（即维数）；
#
# ### 广播
# TensorFlow支持广播（一种借鉴自NumPy的概念）；
# 利用广播，元素级运算中的较小数组会增大到与较大数组具有相同的形状；

运行结果：

# TF imported with eager execution!
primes:  tf.Tensor([ 2  3  5  7 11 13], shape=(6,), dtype=int32)
ones:  tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int32)
just_beyond_primes:  tf.Tensor([ 3  4  6  8 12 14], shape=(6,), dtype=int32)
primes_doubled:  tf.Tensor([ 4  6 10 14 22 26], shape=(6,), dtype=int32)
some_matrix:  tf.Tensor(
[[1 2 3]
 [4 5 6]], shape=(2, 3), dtype=int32)
value of some_matrix is:
 [[1 2 3]
 [4 5 6]]
scalar has shape： () and value:
 0.0
vector has shape： (3,) and value:
 [0. 0. 0.]
matrix has shape： (2, 3) and value:
 [[0. 0. 0.]
 [0. 0. 0.]]
primes2:  tf.Tensor([ 2  3  5  7 11 13], shape=(6,), dtype=int32)
ones2:  tf.Tensor([1], shape=(1,), dtype=int32)
just_beyond_primes2:  tf.Tensor([ 3  4  6  8 12 14], shape=(6,), dtype=int32)
primes_doubled2:  tf.Tensor([ 4  6 10 14 22 26], shape=(6,), dtype=int32)

 

矩阵相乘、张量变形

# coding=utf-8
import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

try:
    tf.contrib.eager.enable_eager_execution()
    print("# TF imported with eager execution!")
except ValueError:
    print("# TF already imported with eager execution!")

# ### 矩阵相乘
x = tf.constant([[5, 2, 4, 3], [5, 1, 6, -2], [-1, 3, -1, -2]], dtype=tf.int32)  # 3行4列矩阵
y = tf.constant([[2, 2], [3, 5], [4, 5], [1, 6]], dtype=tf.int32)  # 4行2列矩阵
matrix_multiply_result = tf.matmul(x, y)  # 矩阵相乘的结果是3行2列矩阵
print("matrix_multiply_result: ", matrix_multiply_result)

# ### 张量变形
matrix = tf.constant([[1, 2], [3, 4], [5, 6], [7, 8]], dtype=tf.int32)  # 4行2列的矩阵
reshaped_2x4_matrix = tf.reshape(matrix, [2, 4])  # 将4x2张量变形为2x4张量
reshaped_1x8_matrix = tf.reshape(matrix, [1, 8])
reshaped_2x2x2_tensor = tf.reshape(matrix, [2, 2, 2])  # 将4x2张量变形为三维2x2x2张量
one_dimensional_vector = tf.reshape(matrix, [8])  # 将4x2张量变形为一维8元素张量
print("Original matrix (4x2):\n", matrix.numpy())
print("Reshaped matrix (2x4):\n", reshaped_2x4_matrix.numpy())
print("Reshaped matrix (1x8):\n", reshaped_1x8_matrix.numpy())
print("reshaped_2x2x2_tensor:\n", reshaped_2x2x2_tensor.numpy())
print("one_dimensional_vector:\n", one_dimensional_vector.numpy())

# ### 矩阵相乘
# 在线性代数中，当两个矩阵相乘时，第一个矩阵的列数必须等于第二个矩阵的行数，否则是无效的；
#
# ### 张量变形
# 可以使用tf.reshape方法改变张量的形状和维数（“阶”）；
# 例如，可以将4x2张量变形为2x4张量；
# 例如，可以将4x2张量变形为三维2x2x2张量或一维8元素张量；

运行结果：

# TF imported with eager execution!
matrix_multiply_result:  tf.Tensor(
[[35 58]
 [35 33]
 [ 1 -4]], shape=(3, 2), dtype=int32)
Original matrix (4x2):
 [[1 2]
 [3 4]
 [5 6]
 [7 8]]
Reshaped matrix (2x4):
 [[1 2 3 4]
 [5 6 7 8]]
Reshaped matrix (1x8):
 [[1 2 3 4 5 6 7 8]]
reshaped_2x2x2_tensor:
 [[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]
one_dimensional_vector:
 [1 2 3 4 5 6 7 8]

 

变量、初始化和赋值

# coding=utf-8
import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

try:
    tf.contrib.eager.enable_eager_execution()
    print("# TF imported with eager execution!")
except ValueError:
    print("# TF already imported with eager execution!")

v1 = tf.contrib.eager.Variable([3])  # 创建一个初始值为3的标量变量
v2 = tf.contrib.eager.Variable(
    tf.random_normal(shape=[1, 4],  # 形状为1行4列，必选项
                     mean=1.0,  # 正态分布的均值，默认为0
                     stddev=0.35,  # 正态分布的标准差，默认为1.0
                     dtype=tf.float64,  # 输出的类型，默认为tf.float32
                     seed=1,  # 每次产生的随机数结果是否相同，如果固定seed值为一个整数则相同，默认为None（不相同）
                     name="test")  # 操作的名称
)  # 创建一个初始值为正态分布的1*4矢量变量
tf.assign(v1, [7])  # 使用assign更改变量的值

print("v1:", v1.numpy())
print("v2:", v2.numpy())

# ### 变量、初始化和赋值
# 在TensorFlow中可以定义Variable对象(变量)，其值可以更改；
# 创建变量时，可以明确设置一个初始值，也可以使用初始化程序（例如分布）；
# 使用assign更改变量的值，向变量赋予新值时，其形状必须和之前的形状一致；
#
# ### tf.random_normal()函数
# 用于从服从指定正太分布的数值中取出指定个数的值；

运行结果：

# TF imported with eager execution!
v1: [7]
v2: [[1.08498964 0.87645062 0.70722227 0.91475084]]