【TensorFlow】笔记：基础知识-张量操作（二）-轻识

TensorFlow 使用张量（Tensor）作为数据的基本单位。张量的重要属性是其形状、类型和值。可以通过张量的 shape 、 dtype 属性和 numpy() 方法获得。

形状简介

张量有形状。下面是几个相关术语：

形状：张量的每个维度的长度（元素数量）。
秩：张量的维度数量。标量的秩为 0，向量的秩为 1，矩阵的秩为 2。
轴或维度：张量的一个特殊维度。
大小：张量的总项数，即乘积形状向量

tensor = tf.zeros([3, 2, 4, 5])

print("Type of every element:", tensor.dtype)print("Number of dimensions:", tensor.ndim)print("Shape of tensor:",tensor.shape)print("Elements along axis 0 of tensor:", tensor.shape[0])print("Elements along the last axis of tensor:", tensor.shape[-1])print("Total number of elements (3*2*4*5): ", tf.size(tensor).numpy())
# outputType of every element: Number of dimensions: 4Shape of tensor: (3, 2, 4, 5)Elements along axis 0 of tensor: 3Elements along the last axis of tensor: 5Total number of elements (3*2*4*5):  120

虽然通常用索引来指代轴，但是您始终要记住每个轴的含义。轴一般按照从全局到局部的顺序进行排序：首先是批次轴，随后是空间维度，最后是每个位置的特征。这样，在内存中，特征向量就会位于连续的区域。

索引

单轴索引

TensorFlow 遵循标准 Python 索引规则（类似于在 Python 中为列表或字符串编制索引）以及 NumPy 索引的基本规则。

索引从 0 开始编制
负索引表示按倒序编制索引
冒号 : 用于切片 start:stop:step

tensor1 = tf.constant([0, 1, 1, 2, 3, 5, 8, 13, 21, 34])print(tensor1.numpy())
# output[ 0  1  1  2  3  5  8 13 21 34

使用标量编制索引会移除维度：

print("First:", tensor1[0].numpy())print("Second:", tensor1[1].numpy())print("Last:", tensor1[-1].numpy())
# outputFirst: 0Second: 1Last: 34

使用 : 切片编制索引会保留维度：

print("Everything:", tensor1[:].numpy())print("Before 4:", tensor1[:4].numpy())print("From 4 to the end:", tensor1[4:].numpy())print("From 2, before 7:", tensor1[2:7].numpy())print("Every other item:", tensor1[::2].numpy())print("Reversed:", tensor1[::-1].numpy())
# output Everything: [ 0  1  1  2  3  5  8 13 21 34]Before 4: [0 1 1 2]From 4 to the end: [ 3  5  8 13 21 34]From 2, before 7: [1 2 3 5 8]Every other item: [ 0  1  3  8 21]Reversed: [34 21 13  8  5  3  2  1  1  0]

多轴索引:

更高秩的张量通过传递多个索引来编制索引。

对于高秩张量的每个单独的轴，遵循与单轴情形完全相同的索引规则。

tensor2 = tf.constant([[1, 2],                             [3, 4],                             [5, 6]], dtype=tf.float16)print(tensor2.numpy())
# output [[1. 2.] [3. 4.] [5. 6.]]

为每个索引传递一个整数，结果是一个标量。

print(tensor2[1, 1].numpy())
# output4.0

还可以使用整数与切片的任意组合编制索引：

# Get row and column tensorsprint("Second row:", tensor2[1, :].numpy())print("Second column:", tensor2[:, 1].numpy())print("Last row:", tensor2[-1, :].numpy())print("First item in last column:", tensor2[0, -1].numpy())print("Skip the first row:")print(tensor2[1:, :].numpy(), "\n")
# outputSecond row: [3. 4.]Second column: [2. 4. 6.]Last row: [5. 6.]First item in last column: 2.0Skip the first row:[[3. 4.] [5. 6.]]

下面是一个 3 轴张量的示例：

tensor3 = tf.constant([  [[0, 1, 2, 3, 4],   [5, 6, 7, 8, 9]],  [[10, 11, 12, 13, 14],   [15, 16, 17, 18, 19]],  [[20, 21, 22, 23, 24],   [25, 26, 27, 28, 29]],])
print(tensor3)
# outputtf.Tensor([[[ 0  1  2  3  4]  [ 5  6  7  8  9]]
 [[10 11 12 13 14]  [15 16 17 18 19]]
 [[20 21 22 23 24]  [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32)

选择批次中每个示例的所有位置的最后一个特征：

print(tensor3[:, :, 4]
# outputtf.Tensor([[ 4  9] [14 19] [24 29]], shape=(3, 2), dtype=int32)

参考文献：文档主要参考TensorFlow官网

点击上方“蓝字”关注本公众号

END

扫码关注

微信号｜sdxx_rmbj