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

• 第一步：張量的定義→什么是張量？
• 第二步：創建張量→創建張量對象的函數
• 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的均勻型多維數組。它們非常類似于NumPy數組，并且它們是不可變的，這意味著一旦創建它們就不能被更改。只能使用編輯創建新副本。

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，我們需要導入TensorFlow庫。我們經常將NumPy與TensorFlow一起使用，因此我們還可以使用以下行導入NumPy：

import tensorflow as tfimport numpy as np

張量的創建：創建張量對象

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

# 你可以用`tf.constant`函數創建tf.Tensor對象:x = tf.constant([[1, 2, 3, 4 ,5]])# 你可以用`tf.ones`函數創建tf.Tensor對象:y = tf.ones((1,5))# 你可以用`tf.zeros`函數創建tf.Tensor對象:z = tf.zeros((1,5))# 你可以用`tf.range`函數創建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創建了形狀(1,5)的張量對象，使用tf.range()函數創建了形狀(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，因為它們的元素值是預先確定的。

張量對象的特征

tf.Tensor創建對象，它們有幾個特征。首先，他們有維度數量。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。最后，它們的元素都被記錄在一個統一的數據類型(datatype)中。讓我們仔細看看這些特征。

維度

張量根據其維數進行分類：

• 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對象來創建一個Rank-3張量。對于這個例子，我們可以將數字分割成一個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。

tensor_ndim = rank_3_tensor.ndimprint("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屬性創建的rank_3_tensor對象的形狀，如下所示：

tensor_shape = rank_3_tensor.shapeprint("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。最后，我們將使用實例函數.NumPy()將輸出轉換為NumPy，以獲得更具可讀性的結果：

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

數據類型

張量通常包含數字數據類型，如浮點和整數，但也可能包含許多其他數據類型，如復數和字符串。

但是，每個張量對象必須將其所有元素存儲在一個統一的數據類型中。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據類型，如下所示：

tensor_dtype = rank_3_tensor.dtypeprint("The data type selected for this Tensor object is", tensor_dtype)Output:The data type selected for this Tensor object is

張量運算

索引

索引是項目在序列中位置的數字表示。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索引規則，這類似于列表索引或NumPy數組索引。

關于索引的一些規則：

索引從零(0)開始。

負索引(“-n”)值表示從末尾向后計數。

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)

測試一下我們的規則1，2，3：

# 規則1，索引從0開始print("First element is:", rank_1_tensor[0].numpy())# 規則2，負索引print("Last element is:", rank_1_tensor[-1].numpy())# 規則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]

現在，讓我們用以下代碼創建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

現在，我們已經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學運算，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。我們將創建兩個張量對象并應用這些操作。

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() '函數并將張量作為參數傳遞。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() '函數并將張量作為參數傳遞。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() '函數并將張量作為參數傳遞。matmul_tensors = tf.matmul(a,b)print(matmul_tensors)Output:tf.Tensor( [[ 2. 12.] [30. 56.]], shape=(2, 2), dtype=float32)

注意：Matmul操作是深度學習算法的核心。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'函數計算softmaxprint("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數組和pandas數據幀中一樣，你也可以重塑張量對象。

這個變形操作非常快，因為底層數據不需要復制。對于重塑操作，我們可以使用tf.reshape函數

# 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，開發人員必須是合理的。否則，張量可能會混淆，甚至會產生錯誤。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較大的張量，就像NumPy數組一樣。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，在對張量進行數學運算時，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，并將數值存儲為元素。但是，TensorFlow還支持不規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量元素的張量

可以構建不規則張量，如下所示

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

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，稀疏張量是稀疏數據的矩形張量。當數據中有空值時，稀疏張量就是對象。創建稀疏張量有點耗時，應該更主流一些。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)

結尾

我們已經成功地介紹了TensorFlow的張量對象的基礎知識。

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

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的tensorflow 转张量类型为float_5个简单的步骤掌握Tensorflow的Tensor的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。