共计 7254 个字符，预计需要花费 19 分钟才能阅读完成。
作者 |Orhan G. Yalçın
编译 |VK
起源 |Towards Datas Science
如果你正在读这篇文章，我置信咱们有着类似的趣味，当初 / 未来也会从事相似的行业。
在这篇文章中，咱们将深入研究 Tensorflow Tensor 的细节。咱们将在以下五个简略步骤中介绍与 Tensorflow 的 Tensor 中相干的所有主题：
- 第一步：张量的定义→什么是张量？
- 第二步：创立张量→创立张量对象的函数
- 第三步：张量对象的特色
- 第四步：张量操作→索引、根本张量操作、形态操作、播送
- 第五步：非凡张量
张量的定义：什么是张量
张量是 TensorFlow 的平均型多维数组。它们十分相似于 NumPy 数组，并且它们是不可变的，这意味着一旦创立它们就不能被更改。只能应用编辑创立新正本。
让咱们看看张量如何与代码示例一起工作。然而首先，要应用 TensorFlow 对象，咱们须要导入 TensorFlow 库。咱们常常将 NumPy 与 TensorFlow 一起应用，因而咱们还能够应用以下行导入 NumPy：
import tensorflow as tf
import numpy as np张量的创立：创立张量对象
有几种办法能够创立 tf.Tensor 对象。让咱们从几个例子开始。能够应用多个 TensorFlow 函数创立张量对象，如下例所示：
# 你能够用 `tf.constant` 函数创立 tf.Tensor 对象:
x = tf.constant([[1, 2, 3, 4 ,5]])
# 你能够用 `tf.ones` 函数创立 tf.Tensor 对象:
y = tf.ones((1,5))
# 你能够用 `tf.zeros` 函数创立 tf.Tensor 对象:
z = tf.zeros((1,5))
# 你能够用 `tf.range` 函数创立 tf.Tensor 对象:
q = tf.range(start=1, limit=6, delta=1)
print(x)
print(y)
print(z)
print(q)输入：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)如你所见，咱们应用三个不同的函数创立了形态 (1,5) 的张量对象，应用 tf.range()函数创立了形态 (5,) 的第四个张量对象。留神,tf.ones 的和 tf.zeros 承受形态作为必须的参数，因为它们的元素值是预先确定的。
张量对象的特色
tf.Tensor 创建对象，它们有几个特色。首先，他们有维度数量。其次，它们有一个形态，一个由维度的长度组成的列表。所有张量都有一个大小，即张量中元素的总数。最初，它们的元素都被记录在一个对立的数据类型（datatype）中。让咱们认真看看这些特色。
维度
张量依据其维数进行分类：
- Rank-0（标量）张量：蕴含单个值且没有轴的张量（0 维）；
- Rank- 1 张量：蕴含单轴（一维）值列表的张量；
- Rank- 2 张量：蕴含 2 个轴（2 维）的张量；以及
- Rank- N 张量：蕴含 N 轴的张量（三维）。
例如，咱们能够通过向 tf.constant 传递一个三层嵌套的 list 对象来创立一个 Rank- 3 张量。对于这个例子，咱们能够将数字宰割成一个 3 层嵌套的列表，每个层有 3 个元素:
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)咱们能够查看“rank_3_tensor”对象以后具备“.ndim”属性的维度数。
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形态
形态特色是每个张量都具备的另一个属性。它以列表的模式显示每个维度的大小。咱们能够查看应用.shape 属性创立的 rank_3_tensor 对象的形态，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)如你所见，咱们的张量在第一层有两个元素，第二层有两个元素，第三层有三个元素。
大小
大小是张量的另一个特色，它意味着张量有多少个元素。咱们不能用张量对象的属性来测量大小。相同，咱们须要应用 tf.size 函数。最初，咱们将应用实例函数.NumPy（）将输入转换为 NumPy，以取得更具可读性的后果：
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数据类型
张量通常蕴含数字数据类型，如浮点和整数，但也可能蕴含许多其余数据类型，如复数和字符串。
然而，每个张量对象必须将其所有元素存储在一个对立的数据类型中。因而，咱们还能够应用.dtype 属性查看为特定张量对象抉择的数据类型，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'>张量运算
索引
索引是我的项目在序列中地位的数字示意。这个序列能够援用很多货色：一个列表、一个字符串或任意的值序列。
TensorFlow 还遵循规范的 Python 索引规定，这相似于列表索引或 NumPy 数组索引。
对于索引的一些规定：
- 索引从零（0）开始。
- 负索引（“-n”）值示意从开端向后计数。
- 冒号（“：”）用于切片：开始：进行：步骤。
- 逗号（“，”）用于达到更深层次。
让咱们用以下几行创立 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)测试一下咱们的规定 1，2，3：
# 规定 1，索引从 0 开始
print("First element is:",
rank_1_tensor[0].numpy())
# 规定 2，负索引
print("Last element is:",
rank_1_tensor[-1].numpy())
# 规定 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]当初，让咱们用以下代码创立 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)并用几个例子来测试第 4 条规定：
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())
# 规定 4, 逗号代表进入更深层
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当初，咱们曾经介绍了索引的基本知识，让咱们看看咱们能够对张量进行的基本操作。
张量根本运算
你能够轻松地对张量进行根本的数学运算，例如：
- 加法
- 元素乘法
- 矩阵乘法
- 求最大值或最小值
- 找到 Max 元素的索引
- 计算 Softmax 值
让咱们看看这些运算。咱们将创立两个张量对象并利用这些操作。
a = tf.constant([[2, 4],
[6, 8]], dtype=tf.float32)
b = tf.constant([[1, 3],
[5, 7]], dtype=tf.float32)咱们能够从加法开始。
# 咱们能够应用 'tf.add()' 函数并将张量作为参数传递。add_tensors = tf.add(a,b)
print(add_tensors)Output:
tf.Tensor([[ 3. 7.]
[11. 15.]], shape=(2, 2), dtype=float32)乘法
# 咱们能够应用 'tf.multiply()' 函数并将张量作为参数传递。multiply_tensors = tf.multiply(a,b)
print(multiply_tensors)Output:
tf.Tensor([[ 2. 12.]
[30. 56.]], shape=(2, 2), dtype=float32)矩阵乘法：
# 咱们能够应用 'tf.matmul()' 函数并将张量作为参数传递。matmul_tensors = tf.matmul(a,b)
print(matmul_tensors)Output:
tf.Tensor([[ 2. 12.]
[30. 56.]], shape=(2, 2), dtype=float32)留神：Matmul 操作是深度学习算法的外围。因而，只管你不会间接应用 matmul，但理解这些操作是至关重要的。
咱们下面列出的其余操作示例：
# 应用 'tf.reduce_max()' 和 'tf.reduce_min()' 函数能够找到最大值或最小值
print("The Max value of the tensor object b is:",
tf.reduce_max(b).numpy())
# 应用 'tf.argmax()' 函数能够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())
# 应用 tf.nn.softmax' 函数计算 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]]操纵形态
就像在 NumPy 数组和 pandas 数据帧中一样，你也能够重塑张量对象。
这个变形操作十分快，因为底层数据不须要复制。对于重塑操作，咱们能够应用 tf.reshape 函数
# 咱们的初始张量
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)
# 如果咱们以 shape 参数传递 -1，那么张量就变平坦化。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)如你所见，咱们能够很容易地重塑咱们的张量对象。但要留神的是，在进行重塑操作时，开发人员必须是正当的。否则，张量可能会混同，甚至会产生谬误。所以，小心点????.
播送
当咱们尝试应用多个张量对象进行组合操作时，较小的张量能够主动舒展以适应较大的张量，就像 NumPy 数组一样。例如，当你尝试将标量张量与秩 2 张量相乘时，标量将被拉伸以乘以每个秩 2 张量元素。参见以下示例：
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)多亏了播送，在对张量进行数学运算时，你不用放心大小匹配。
张量的非凡类型
咱们偏向于生成矩形的张量，并将数值存储为元素。然而，TensorFlow 还反对不规则或非凡的张量类型，这些类型包含：
- 参差不齐的张量
- 字符串张量
- 稠密张量
让咱们认真看看每一个都是什么。
参差不齐的张量
参差不齐张量是沿着尺寸轴具备不同数量元素的张量
能够构建不规则张量，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]]>字符串张量
字符串张量是存储字符串对象的张量。咱们能够建设一个字符串张量，就像你创立一个一般的张量对象。然而，咱们将字符串对象作为元素而不是数字对象传递，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)稠密张量
最初，稠密张量是稠密数据的矩形张量。当数据中有空值时，稠密张量就是对象。创立稠密张量有点耗时，应该更支流一些。这里有一个例子：
sparse_tensor = tf.sparse.SparseTensor(indices=[[0, 0], [2, 2], [4, 4]],
values=[25, 50, 100],
dense_shape=[5, 5])
# 咱们能够把稠密张量转换成密集张量
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)结尾
咱们曾经胜利地介绍了 TensorFlow 的张量对象的基础知识。
这应该会给你很大的信念，因为你当初对 TensorFlow 框架的基本知识理解得更多了。
查看本教程系列的第 1 局部：https://link.medium.com/yJp16…
原文链接：https://towardsdatascience.co…
欢送关注磐创 AI 博客站：
http://panchuang.net/
sklearn 机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/
