作者|Orhan G. Yal??n 編譯|VK 來源|Towards Datas Science

如果你正在讀這篇文章，我相信我們有著相似的興趣，現(xiàn)在/將來也會從事類似的行業(yè)。

在這篇文章中，我們將深入研究Tensorflow Tensor的細節(jié)。我們將在以下五個簡單步驟中介紹與Tensorflow的Tensor中相關(guān)的所有主題：

• 第一步：張量的定義→什么是張量？

• 第二步：創(chuàng)建張量→創(chuàng)建張量對象的函數(shù)

• 第三步：張量對象的特征

• 第四步：張量操作→索引、基本張量操作、形狀操作、廣播

• 第五步：特殊張量

張量的定義：什么是張量

張量是TensorFlow的均勻型多維數(shù)組。它們非常類似于NumPy數(shù)組，并且它們是不可變的，這意味著一旦創(chuàng)建它們就不能被更改。只能使用編輯創(chuàng)建新副本。

讓我們看看張量如何與代碼示例一起工作。但是首先，要使用TensorFlow對象，我們需要導(dǎo)入TensorFlow庫。我們經(jīng)常將NumPy與TensorFlow一起使用，因此我們還可以使用以下行導(dǎo)入NumPy：

import tensorflow as tf import numpy as np

張量的創(chuàng)建：創(chuàng)建張量對象

有幾種方法可以創(chuàng)建tf.Tensor對象。讓我們從幾個例子開始。可以使用多個TensorFlow函數(shù)創(chuàng)建張量對象，如下例所示：

# 你可以用`tf.constant`函數(shù)創(chuàng)建tf.Tensor對象: x = tf.constant([[1, 2, 3, 4 ,5]]) # 你可以用`tf.ones`函數(shù)創(chuàng)建tf.Tensor對象: y = tf.ones((1,5)) # 你可以用`tf.zeros`函數(shù)創(chuàng)建tf.Tensor對象: z = tf.zeros((1,5)) # 你可以用`tf.range`函數(shù)創(chuàng)建tf.Tensor對象: q = tf.range(start=1, limit=6, delta=1)print(x) print(y) print(z) print(q) 輸出：tf.Tensor([[1 2 3 4 5]], shape=(1, 5), dtype=int32) tf.Tensor([[1. 1. 1. 1. 1.]], shape=(1, 5), dtype=float32) tf.Tensor([[0. 0. 0. 0. 0.]], shape=(1, 5), dtype=float32) tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)

如你所見，我們使用三個不同的函數(shù)創(chuàng)建了形狀(1,5)的張量對象，使用tf.range()函數(shù)創(chuàng)建了形狀(5,)的第四個張量對象。注意,tf.ones的和tf.zeros接受形狀作為必需的參數(shù)，因為它們的元素值是預(yù)先確定的。

張量對象的特征

tf.Tensor創(chuàng)建對象，它們有幾個特征。首先，他們有維度數(shù)量。其次，它們有一個形狀，一個由維度的長度組成的列表。所有張量都有一個大小，即張量中元素的總數(shù)。最后，它們的元素都被記錄在一個統(tǒng)一的數(shù)據(jù)類型（datatype）中。讓我們仔細看看這些特征。

維度

張量根據(jù)其維數(shù)進行分類：

• Rank-0（標量）張量：包含單個值且沒有軸的張量（0維）；

• Rank-1張量：包含單軸（一維）值列表的張量；

• Rank-2張量：包含2個軸（2維）的張量；以及

• Rank-N張量：包含N軸的張量（三維）。

例如，我們可以通過向tf.constant傳遞一個三層嵌套的list對象來創(chuàng)建一個Rank-3張量。對于這個例子，我們可以將數(shù)字分割成一個3層嵌套的列表，每個層有3個元素:

three_level_nested_list = [[[0, 1, 2], [3, 4, 5]], [[6, 7, 8], [9, 10, 11]] ] rank_3_tensor = tf.constant(three_level_nested_list) print(rank_3_tensor) Output: tf.Tensor( [[[ 0 1 2] [ 3 4 5]] [[ 6 7 8] [ 9 10 11]]],shape=(2, 2, 3), dtype=int32)

我們可以查看“rank_3_tensor”對象當前具有“.ndim”屬性的維度數(shù)。

tensor_ndim = rank_3_tensor.ndim print("The number of dimensions in our Tensor object is", tensor_ndim) Output: The number of dimensions in our Tensor object is 3

形狀

形狀特征是每個張量都具有的另一個屬性。它以列表的形式顯示每個維度的大小。我們可以查看使用.shape屬性創(chuàng)建的rank_3_tensor對象的形狀，如下所示：

tensor_shape = rank_3_tensor.shape print("The shape of our Tensor object is", tensor_shape) Output: The shape of our Tensor object is (2, 2, 3)

如你所見，我們的張量在第一層有兩個元素，第二層有兩個元素，第三層有三個元素。

大小

大小是張量的另一個特征，它意味著張量有多少個元素。我們不能用張量對象的屬性來測量大小。相反，我們需要使用tf.size函數(shù)。最后，我們將使用實例函數(shù).NumPy（）將輸出轉(zhuǎn)換為NumPy，以獲得更具可讀性的結(jié)果：

tensor_size = tf.size(rank_3_tensor).numpy() print("The size of our Tensor object is", tensor_size) Output: The size of our Tensor object is 12

數(shù)據(jù)類型

張量通常包含數(shù)字數(shù)據(jù)類型，如浮點和整數(shù)，但也可能包含許多其他數(shù)據(jù)類型，如復(fù)數(shù)和字符串。

但是，每個張量對象必須將其所有元素存儲在一個統(tǒng)一的數(shù)據(jù)類型中。因此，我們還可以使用.dtype屬性查看為特定張量對象選擇的數(shù)據(jù)類型，如下所示：

tensor_dtype = rank_3_tensor.dtype print("The data type selected for this Tensor object is", tensor_dtype) Output: The data type selected for this Tensor object is <dtype: 'int32'>

張量運算

索引

索引是項目在序列中位置的數(shù)字表示。這個序列可以引用很多東西：一個列表、一個字符串或任意的值序列。

TensorFlow還遵循標準的Python索引規(guī)則，這類似于列表索引或NumPy數(shù)組索引。

關(guān)于索引的一些規(guī)則：

索引從零（0）開始。

負索引（“-n”）值表示從末尾向后計數(shù)。

冒號（“：”）用于切片：開始：停止：步驟。

逗號（“，”）用于達到更深層次。

讓我們用以下幾行創(chuàng)建rank_1_tensor：

single_level_nested_list = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11] rank_1_tensor = tf.constant(single_level_nested_list) print(rank_1_tensor) Output: tf.Tensor([ 0 1 2 3 4 5 6 7 8 9 10 11], shape=(12,), dtype=int32)

測試一下我們的規(guī)則1，2，3：

# 規(guī)則1，索引從0開始 print("First element is:",rank_1_tensor[0].numpy())# 規(guī)則2，負索引 print("Last element is:",rank_1_tensor[-1].numpy())# 規(guī)則3，切片 print("Elements in between the 1st and the last are:",rank_1_tensor[1:-1].numpy()) Output: First element is: 0 Last element is: 11 Elements in between the 1st and the last are: [ 1 2 3 4 5 6 7 8 9 10]

現(xiàn)在，讓我們用以下代碼創(chuàng)建rank_2_tensor：

two_level_nested_list = [ [0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11] ] rank_2_tensor = tf.constant(two_level_nested_list) print(rank_2_tensor) Output: tf.Tensor( [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11]], shape=(2, 6), dtype=int32)

并用幾個例子來測試第4條規(guī)則：

print("The 1st element of the first level is:",rank_2_tensor[0].numpy())print("The 2nd element of the first level is:",rank_2_tensor[1].numpy())# 規(guī)則4, 逗號代表進入更深層 print("The 1st element of the second level is:",rank_2_tensor[0, 0].numpy())print("The 3rd element of the second level is:",rank_2_tensor[0, 2].numpy()) Output: The first element of the first level is: [0 1 2 3 4 5] The second element of the first level is: [ 6 7 8 9 10 11] The first element of the second level is: 0 The third element of the second level is: 2

現(xiàn)在，我們已經(jīng)介紹了索引的基本知識，讓我們看看我們可以對張量進行的基本操作。

張量基本運算

你可以輕松地對張量進行基本的數(shù)學(xué)運算，例如：

加法

元素乘法

矩陣乘法

求最大值或最小值

找到Max元素的索引

計算Softmax值

讓我們看看這些運算。我們將創(chuàng)建兩個張量對象并應(yīng)用這些操作。

a = tf.constant([[2, 4], [6, 8]], dtype=tf.float32) b = tf.constant([[1, 3], [5, 7]], dtype=tf.float32)

我們可以從加法開始。

# 我們可以使用' tf.add() '函數(shù)并將張量作為參數(shù)傳遞。 add_tensors = tf.add(a,b) print(add_tensors) Output: tf.Tensor( [[ 3. 7.] [11. 15.]], shape=(2, 2), dtype=float32)

乘法

# 我們可以使用' tf.multiply() '函數(shù)并將張量作為參數(shù)傳遞。 multiply_tensors = tf.multiply(a,b) print(multiply_tensors) Output: tf.Tensor( [[ 2. 12.] [30. 56.]], shape=(2, 2), dtype=float32)

矩陣乘法：

# 我們可以使用' tf.matmul() '函數(shù)并將張量作為參數(shù)傳遞。 matmul_tensors = tf.matmul(a,b) print(matmul_tensors) Output: tf.Tensor( [[ 2. 12.] [30. 56.]], shape=(2, 2), dtype=float32)

注意：Matmul操作是深度學(xué)習(xí)算法的核心。因此，盡管你不會直接使用matmul，但了解這些操作是至關(guān)重要的。

我們上面列出的其他操作示例：

# 使用' tf.reduce_max() '和' tf.reduce_min() '函數(shù)可以找到最大值或最小值 print("The Max value of the tensor object b is:",tf.reduce_max(b).numpy())# 使用' tf.argmax() '函數(shù)可以找到最大元素的索引 print("The index position of the max element of the tensor object b is:",tf.argmax(b).numpy())# 使用 tf.nn.softmax'函數(shù)計算softmax print("The softmax computation result of the tensor object b is:",tf.nn.softmax(b).numpy()) Output: The Max value of the tensor object b is: 1.0 The index position of the Max of the tensor object b is: [1 1] The softmax computation result of the tensor object b is: [[0.11920291 0.880797 ] [0.11920291 0.880797 ]]

操縱形狀

就像在NumPy數(shù)組和pandas數(shù)據(jù)幀中一樣，你也可以重塑張量對象。

這個變形操作非常快，因為底層數(shù)據(jù)不需要復(fù)制。對于重塑操作，我們可以使用tf.reshape函數(shù)

# 我們的初始張量 a = tf.constant([[1, 2, 3, 4, 5, 6]]) print('The shape of the initial Tensor object is:', a.shape)b = tf.reshape(a, [6, 1]) print('The shape of the first reshaped Tensor object is:', b.shape)c = tf.reshape(a, [3, 2]) print('The shape of the second reshaped Tensor object is:', c.shape)# 如果我們以shape參數(shù)傳遞-1，那么張量就變平坦化。 print('The shape of the flattened Tensor object is:', tf.reshape(a, [-1])) Output: The shape of our initial Tensor object is: (1, 6) The shape of our initial Tensor object is: (6, 1) The shape of our initial Tensor object is: (3, 2) The shape of our flattened Tensor object is: tf.Tensor([1 2 3 4 5 6], shape=(6,), dtype=int32)

如你所見，我們可以很容易地重塑我們的張量對象。但要注意的是，在進行重塑操作時，開發(fā)人員必須是合理的。否則，張量可能會混淆，甚至?xí)a(chǎn)生錯誤。所以，小心點😀.

廣播

當我們嘗試使用多個張量對象進行組合操作時，較小的張量可以自動伸展以適應(yīng)較大的張量，就像NumPy數(shù)組一樣。例如，當你嘗試將標量張量與秩2張量相乘時，標量將被拉伸以乘以每個秩2張量元素。參見以下示例：

m = tf.constant([5])n = tf.constant([[1,2],[3,4]])print(tf.multiply(m, n)) Output: tf.Tensor( [[ 5 10] [15 20]], shape=(2, 2), dtype=int32)

多虧了廣播，在對張量進行數(shù)學(xué)運算時，你不必擔心大小匹配。

張量的特殊類型

我們傾向于生成矩形的張量，并將數(shù)值存儲為元素。但是，TensorFlow還支持不規(guī)則或特殊的張量類型，這些類型包括：

參差不齊的張量

字符串張量

稀疏張量

讓我們仔細看看每一個都是什么。

參差不齊的張量

參差不齊張量是沿著尺寸軸具有不同數(shù)量元素的張量

可以構(gòu)建不規(guī)則張量，如下所示

ragged_list = [[1, 2, 3],[4, 5],[6]]ragged_tensor = tf.ragged.constant(ragged_list)print(ragged_tensor) Output: <tf.RaggedTensor [[1, 2, 3], [4, 5], [6]]>

字符串張量

字符串張量是存儲字符串對象的張量。我們可以建立一個字符串張量，就像你創(chuàng)建一個普通的張量對象。但是，我們將字符串對象作為元素而不是數(shù)字對象傳遞，如下所示：

string_tensor = tf.constant(["With this", "code, I am", "creating a String Tensor"])print(string_tensor) Output: tf.Tensor([b'With this' b'code, I am' b'creating a String Tensor'],shape=(3,), dtype=string)

稀疏張量

最后，稀疏張量是稀疏數(shù)據(jù)的矩形張量。當數(shù)據(jù)中有空值時，稀疏張量就是對象。創(chuàng)建稀疏張量有點耗時，應(yīng)該更主流一些。這里有一個例子：

sparse_tensor = tf.sparse.SparseTensor(indices=[[0, 0], [2, 2], [4, 4]], values=[25, 50, 100], dense_shape=[5, 5])# 我們可以把稀疏張量轉(zhuǎn)換成密集張量 print(tf.sparse.to_dense(sparse_tensor)) Output: tf.Tensor( [[ 25 0 0 0 0][ 0 0 0 0 0][ 0 0 50 0 0][ 0 0 0 0 0][ 0 0 0 0 100]], shape=(5, 5), dtype=int32)

結(jié)尾

我們已經(jīng)成功地介紹了TensorFlow的張量對象的基礎(chǔ)知識。

這應(yīng)該會給你很大的信心，因為你現(xiàn)在對TensorFlow框架的基本知識了解得更多了。

查看本教程系列的第1部分：https://link.medium.com/yJp16uPoqab

原文鏈接：https://towardsdatascience.com/mastering-tensorflow-tensors-in-5-easy-steps-35f21998bb86

歡迎關(guān)注磐創(chuàng)AI博客站： http://panchuang.net/

sklearn機器學(xué)習(xí)中文官方文檔： http://sklearn123.com/

歡迎關(guān)注磐創(chuàng)博客資源匯總站： http://docs.panchuang.net/

總結(jié)

以上是生活随笔為你收集整理的5个简单的步骤掌握Tensorflow的Tensor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。