页面树结构

版本比较

标识

  • 该行被添加。
  • 该行被删除。
  • 格式已经改变。

 

目录

 

TensorFlow程序使用张量数据结构来表示所有数据。您可以将TensorFlow张量视为n维阵列或列表。张量具有静态和动态尺寸。计算图中节点之间只能传递张量。

校对:Ngxin

在TensorFlow系统中,张量由称为等级的维度单位描述。张量等级与矩阵等级不同。张量等级(有时称为TensorFlow使用张量数据结构来表示所有数据。您可以将TensorFlow张量视为n维数组或列表。张量具有静态类型和动态尺寸。计算图中节点之间只能传递张量。

阶(rank)

在TensorFlow中,tensor为含有rank维度的单元。Tensor rank与matrix rank不同。tensor rank(有时称为顺序度数n维)是张量的维数。例如,以下张量(定义为Python列表)的等级为2:)是张量的阶。例如,以下张量(定义为Python列表)的rank为2:

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] 
等级二张是我们通常认为是一个矩阵,一等张量是一个向量。对于二等号,您可以使用语法访问任何元素 
二阶张量是我们通常所说的矩阵,一阶张量是一个向量。对于二阶张量,您可以使用语法t[i, j]
。对于等级三张,你需要解决一个元素 t
访问任何元素 。对于三阶张量,你
需要用t[i, j, k]访问一个元素
Rank数学实体数学实例Python示例
0标量(大小)s = 483
1矢量(大小和方向)v = [1.1, 2.2, 3.3]
2矩阵(数字表)m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
33-Tensor(数字立方体)t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
ñn-Tensor(你得到的想法)Tensor()....

形状

TensorFlow文档使用三个符号约定来描述张量维数:等级,形状和维数。下表显示了这些如何相互关联:TensorFlow文档使用三个约定符号来描述张量维数:阶,形状和维数。下表显示了这些如何相互关联:

rank形状尺寸数维数
0[]0-D0-D张量。标量。
1[D0]1-D形状为1-D的张量D的张量,如[5]。
2[D0,D1]2-D形状为形状为2-D的张量,如[3,4]的2-D张量。
3[D0,D1,D2]3-D形状为形状为3-D的张量,如[1,4,3]的3-D张量。
ñ[D0,D1,... Dn-1]NDN-D形状为[D0,D1,... Dn-1]的张量。

形状可以通过Python列表形状可以通过Pythonde 的整型 list/元组的ints表示,或者与 tuple表示,或者用 tf.TensorShape

 

数据类型

除了维度之外,Tensors有一个数据类型。您可以将以下数据类型之一分配给张量:

数据类型Python类型描述
DT_FLOATtf.float3232位浮点数。
DT_DOUBLEtf.float6464位浮点数。
DT_INT8tf.int88位有符号整数。
DT_INT16tf.int1616位有符号整数。
DT_INT32tf.int3232位有符号整数。
DT_INT64tf.int6464位有符号整数。
DT_UINT8tf.uint88位无符号整数。
DT_UINT16tf.uint1616位无符号整数。
DT_STRINGtf.string可变长度字节数组。Tensor的每个元素都是一个字节数组。
DT_BOOLtf.bool布尔。
DT_COMPLEX64tf.complex64复数由两个32位浮点组成:实部和虚部。
DT_COMPLEX128tf.complex128复数由两个64位浮点组成:实部和虚部。
DT_QINT8tf.qint8量化操作中使用8位有符号整数。
DT_QINT32tf.qint32在量化的Ops中使用32位有符号整数。量化操作中使用32位有符号整数。
DT_QUINT8tf.quint8用于量化操作的8位无符号整数。量化操作的8位无符号整数。