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 tfimport 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.ndimprint("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.shapeprint("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.dtypeprint("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/