TensorFlow中的张量(tensor)

可以先看看张量的官方介绍：

https://tensorflow.google.cn/programmers_guide/tensors

在tensorflow程序中所有的数据都通过张量的形式来表示。TensorFlow 中的核心数据单位是张量。张量是对矢量和矩阵向潜在的更高维度的 泛化。对内，TensorFlow 将张量表现为基本数据类型的 n 维数组。 其中零阶张量表示标量（scalar）也就是一个数；一阶张量为向量，也就是一维数组；n阶张量可以理解为一个n维数组。 但张量的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有保存数字，它保存的是如何得到这些数字的计算过程。  

以下是主要的特殊张量：

• tf.Variable
• tf.constant
• tf.placeholder
• tf.SparseTensor

除  tf.Variable  以外，张量的值不可变，这意味着在单一执行的情况下，张量只有一个值。然而，同一张量的两次评估可能会返回不同的值；例如，该张量可以是从磁盘读取数据的结果，或是生成随机数的结果。记住这一点，运行每一次session的时候，张量所拿到的值可能是不一样的，因为它在run的过程中重新赋值了。

一个张量主要有以下属性：

• 形状（shape）
• 类型（type），例如 float32，int32 或 string

数据类型

你可以为一个张量指定下列数据类型中的任意一个类型：

数据类型	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数.
DT_DOUBLE	tf.float64	64 位浮点数.
DT_INT64	tf.int64	64 位有符号整型.
DT_INT32	tf.int32	32 位有符号整型.
DT_INT16	tf.int16	16 位有符号整型.
DT_INT8	tf.int8	8 位有符号整型.
DT_UINT8	tf.uint8	8 位无符号整型.
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL	tf.bool	布尔型.
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型.
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型.
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型.

阶（rank）

在TensorFlow系统中，张量的维数来被描述为阶 。

比如，下面的张量（使用Python中list定义的）就是2阶。

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量。对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素。而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素。

#直观上可以理解为左边有多少个 中括号"[" 就是 多少阶 。

阶	数学实例	Python 例子
0	标量 (只有大小)	s = 483
1	向量(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量 (数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶 (自己想想看)	....

TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：

阶	形状	维数	示例
0	[]	0-D	0 维张量。标量。
1	[D0]	1-D	形状为 [5] 的 1 维张量。
2	[D0, D1]	2-D	形状为 [3, 4] 的 2 维张量。
3	[D0, D1, D2]	3-D	形状为 [1, 4, 3] 的 3 维张量。
n	[D0, D1, ... Dn-1]	n-D	形状为 [D0, D1, ... Dn-1] 的张量。

形状（shape）

张量的形状是每个维度中元素的数量， 形状(shape)不能认为它是一个元组（尽管写法一样）。

t = tf.constant([[[ 1 , 1 , 1 ], [ 2 , 2 , 2 ]], [[ 3 , 3 , 3 ], [ 4 , 4 , 4 ]]])

tf.shape(t)   # (2, 2, 3)

那么第一个 2是指[ [1, 1, 1], [2, 2, 2]] 还有 [[3, 3, 3], [4, 4, 4]]， 共有2个组合， 第二个 2是指[1, 1, 1], [2, 2, 2]这个组合还有 [[3, 3, 3], [4, 4, 4]]这个组合。

3就是[1, 1, 1]这个列表里面有3个元素了。

cool_numbers  = tf. Variable ([ 3.14159 , 2.71828 ], tf.float32) #1阶张量，共有2个元素，所以shape是(2)

linear_squares = tf. Variable ([[ 4 ], [ 9 ], [ 16 ], [ 25 ]], tf.int32) #2阶张量，shape是(4,1)

my_image = tf.zeros([ 10 , 299 , 299 , 3 ]) #4阶张量，shape是( 10 , 299 , 299 , 3 )，其实zeros里面的参数就是一个shape（不要认为它是一个值列表，这跟用Variable创建一个张量参数不一样 ）。