本文的ipynb 格式見CSDN下載。

0維張量/標(biāo)量
標(biāo)量是一個數(shù)字
1維張量/向量
1維張量稱為“向量”。
2維張量
2維張量稱為矩陣
3維張量
公用數(shù)據(jù)存儲在張量
時間序列數(shù)據(jù)
股價
文本數(shù)據(jù)
圖片
彩色圖片
5D張量
結(jié)論

實際上，你可以使用一個數(shù)字的張量，我們稱為0維張量，也就是一個只有0維的張量。
它僅僅只是帶有一個數(shù)字的水桶。想象水桶里只有一滴水，那就是一個0維張量。

import numpy as np x = np.array(5) print(x)

1維張量/向量,1維張量稱為“向量”

x = np.array([1,2,3,4]) print(x) #通過NumPy’s ndim函數(shù)，查看張量具有多個坐標(biāo)軸。 x.ndim

2維張量

x = np.array([[5,10,15,30,25],[20,30,65,70,90],[7,80,95,20,30]]) print(x) x.ndim

3維張量

一個3維張量是一個數(shù)字構(gòu)成的立方體

y = np.array([[[5,10,15,30,25],[20,30,65,70,90],[7,80,95,20,30]],[[3,0,5,0,45],[12,-2,6,7,90],[34,3436,4364,3434,566]],[[17,13,25,30,15],[23,36,9,7,80],[1,-7,-5,22,3]]]) print(y) y.ndim

3維=時間序列

4維=圖像

5維=視頻

一個圖像可以用三個字段表示：

(width, height, color_depth) = 3D (sample_size, width, height, color_depth) = 4D

時間序列數(shù)據(jù)

用3D張量來模擬時間序列會非常有效！

醫(yī)學(xué)掃描——我們可以將腦電波（EEG）信號編碼成3D張量，因為它可以由這三個參數(shù)來描述：

(time, frequency, channel)

這種轉(zhuǎn)化看起來就像這樣：
如果我們有多個病人的腦電波掃描圖，那就形成了一個4D張量：

(sample_size, time, frequency, channel)

紐交所開市時間從早上9:30到下午4:00，即6.5個小時，總共有6.5 x 60 = 390分鐘。
如此，我們可以將每分鐘內(nèi)最高、最低和最終的股價存入一個2D張量（390,3）。如果我們追蹤一周（五天）的交易，我們將得到這么一個3D張量：

(week_of_data, minutes, high_low_price)

即：(5,390,3)
同理，如果我們觀測10只不同的股票，觀測一周，我們將得到一個4D張量
(10,5,390,3)
假設(shè)我們在觀測一個由25只股票組成的共同基金，其中的每只股票由我們的4D張量來表示。那么，這個共同基金可以有一個5D張量來表示：
(25,10,5,390,3)

文本數(shù)據(jù)

我們也可以用3D張量來存儲文本數(shù)據(jù)，我們來看看推特的例子。

首先，推特有140個字的限制。其次，推特使用UTF-8編碼標(biāo)準(zhǔn)，這種編碼標(biāo)準(zhǔn)能表示百萬種字符，
但實際上我們只對前128個字符感興趣，因為他們與ASCII碼相同。所以，一篇推特文可以包裝成一個2D向量：
（140,128）
如果我們下載了一百萬篇川普哥的推文（印象中他一周就能推這么多），我們就會用3D張量來存：

(number_of_tweets_captured, tweet, character)

這意味著，我們的川普推文集合看起來會是這樣：
(1000000,140,128)

圖片

4D張量很適合用來存諸如JPEG這樣的圖片文件。之前我們提到過，一張圖片有三個參數(shù)：高度、寬度和顏色深度。
一張圖片是3D張量，一個圖片集則是4D，第四維是樣本大小。

MNIST圖片是黑白的，這意味著它們可以用2D張量來編碼，但我們習(xí)慣于將所有的圖片用3D張量來編碼，多出來的第三個維度代表了圖片的顏色深度。
MNIST數(shù)據(jù)集有60,000張圖片，它們都是28 x 28像素，它們的顏色深度為1，即只有灰度。
TensorFlow這樣存儲圖片數(shù)據(jù)：

(sample_size, height, width, color_depth)

于是我們可以認(rèn)為，MNIST數(shù)據(jù)集的4D張量是這樣的：
(60000,28,28,1)

彩色圖片

彩色圖片有不同的顏色深度，這取決于它們的色彩（注：跟分辨率沒有關(guān)系）編碼。
一張典型的JPG圖片使用RGB編碼，于是它的顏色深度為3，分別代表紅、綠、藍(lán)。
這是一張我美麗無邊的貓咪（Dove）的照片，750 x750像素，這意味著我們能用一個3D張量來表示它：
(750,750,3)

然后，如果我們有一大堆不同類型的貓咪圖片（雖然都沒有Dove美），
也許是100,000張吧，不是DOVE它的，750 x750像素的。我們可以在Keras中用4D張量來這樣定義：
(10000,750,750,3)

5D張量

5D張量可以用來存儲視頻數(shù)據(jù)。TensorFlow中，視頻數(shù)據(jù)將如此編碼：

（sample_size, frames, width, height, color_depth)

如果我們考察一段5分鐘（300秒），1080pHD（1920 x 1080像素），每秒15幀（總共4500幀），顏色深度為3的視頻，我們可以用4D張量來存儲它：
(4500,1920,1080,3)
當(dāng)我們有多段視頻的時候，張量中的第五個維度將被使用。如果我們有10段這樣的視頻，我們將得到一個5D張量：
(10,4500,1920,1080,3)

這個5D張量中值的數(shù)量為：
10 x 4500 x 1920 x 1080 x 3 = 279,936,000,000
在Keras中，我們可以用一個叫dype的數(shù)據(jù)類型來存儲32bits或64bits的浮點數(shù)
我們5D張量中的每一個值都將用32 bit來存儲，現(xiàn)在，我們以TB為單位來進(jìn)行轉(zhuǎn)換：
279,936,000,000 x 32 = 8,957,952,000,000bit = 1.119744T

---

參考文獻(xiàn)

---

Learning AI if You Suck at Math?—?P4?—?Tensors Illustrated (with Cats!)

你真的懂TensorFlow嗎？Tensor是神馬？為什么還會Flow?

總結(jié)

以上是生活随笔為你收集整理的你真的懂TensorFlow吗？Tensor是神马？为什么还会Flow?的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。