TensorFlow教程之资源 4.6 张量的阶、形状、数据类型

本文档为TensorFlow参考文档,本转载已得到TensorFlow中文社区授权。

张量的阶、形状、数据类型

TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.

在TensorFlow系统中,张量的维数来被描述为.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶(有时是关于如顺序度数或者是n维)是张量维数的一个数量描述.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.

数学实例 Python 例子
0 纯量 (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) ....

形状

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:

形状 维数 实例
0 [ ] 0-D 一个 0维张量. 一个纯量.
1 [D0] 1-D 一个1维张量的形式[5].
2 [D0, D1] 2-D 一个2维张量的形式[3, 4].
3 [D0, D1, D2] 3-D 一个3维张量的形式 [1, 4, 3].
n [D0, D1, ... Dn] n-D 一个n维张量的形式 [D0, D1, ... Dn].

形状可以通过Python中的整数列表或元祖(int list或tuples)来表示,也或者用TensorShape class.

数据类型

除了维度,Tensors有一个数据类型属性.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.
时间: 2024-10-03 08:13:09

TensorFlow教程之资源 4.6 张量的阶、形状、数据类型的相关文章

TensorFlow教程之资源 4.4 常见问题

本文档为TensorFlow参考文档,本转载已得到TensorFlow中文社区授权. 常见问题 此文档对关于TensorFlow的一些常见问题提供了答案,如果这里没有你问题的答案,你可能会在社区资源中找到它. 内容 常见问题 建立 TensorFlow graph 运行 TensorFlow 计算过程 Variables Tensor shapes TensorBoard 扩展 TensorFlow 其他问题 建立 TensorFlow graph 为什么c = tf.matmul(a, b) 

TensorFlow教程之资源 4.1总览

本文档为TensorFlow参考文档,本转载已得到TensorFlow中文社区授权. 其他资源 TensorFlow 白皮书 在这份白皮书里,你可以找到关于 TensorFlow 编程模型的更多详情和 TensorFlow 的实现原理. 引用 如果你在你的研究中使用了 TensorFlow,并且希望在引用中注记 TensorFlow,我们建议你引用上面这篇论文.你可以使用这个BibTeX 目录. 随着项目的继续发展,我们还会在这个建议引用列表添加新的论文. 社区 讨论 报告 Issues 开发

TensorFlow教程之资源 4.5 术语表

本文档为TensorFlow参考文档,本转载已得到TensorFlow中文社区授权. 术语表 广播操作(Broadcasting operation) 一种用numpy-style broadcasting来保证tensor参数的形态兼容的操作. Devices 一块可以用来运算并且拥有自己的地址空间的硬件,比如GPU和CPU. eval Tensor 的一个方法,返回 Tensor 的值.触发任意一个图计算都需要计算出这个值.只能在一个已经启动的会话的图中才能调用该 Tensor 值. Fee

TensorFlow教程之资源 4.3 应用实例

本文档为TensorFlow参考文档,本转载已得到TensorFlow中文社区授权. 应用实例 本页介绍了一些 TensorFlow 系统当前在实际中的应用. 如果您在做研究.教育.或在某些产品中正在使用 TensorFlow, 我们非常乐意在这里添加一些有关您的使用情况. 请随时给我们发电子邮件简要说明您是如何使用TensorFlow的, 或者给我们发 pull request来添加一个条目到本文件. 下面列出了一些 TensorFlow 的用途. RankBrain 组织: Google 域

网友分享HTML5权威教程和资源(一)

现在,随着主流浏览器对HTML5的不断支持和完善,越来越多的开发者开始使用HTML5来制作各种功能强大的应用程序,HTML5正引领互联网新革命.本文向大家分享31个非常棒的HTML5教程和资源. 几年前,HTML5前景还很模糊,只有少数的互联网极客才会关心.而现在,随着现代主流浏览器对HTML5的不断支持和完善,越来越多的开发者开始使用HTML5来制作各种功能强大的应用程序,HTML5正引领互联网新革命.为了方便大家更好的学习HTML5 ,本文向大家分享31个非常棒的HTML5教程和资源. 1-

简明 TensorFlow 教程 —  第三部分: 所有的模型

本文讲的是简明 TensorFlow 教程 -  第三部分: 所有的模型, 快速上手世界上最流行的深度学习框架 概述 在本文中,我们将讨论 TensorFlow 中当前可用的所有抽象模型,并描述该特定模型的用例以及简单的示例代码. 完整的工作示例源码. 一个循环神经网络. 递归神经网络 简称 RNN 用例:语言建模,机器翻译,词嵌入,文本处理. 自从长短期记忆神经网络(LSTM)和门限循环单元(GRU)的出现,循环神经网络在自然语言处理中的发展迅速,远远超越了其他的模型.他们可以被用于传入向量以

TensorFlow教程之完整教程 2.5 TensorFlow运作方式入门

本文档为TensorFlow参考文档,本转载已得到TensorFlow中文社区授权. 本篇教程的目的,是向大家展示如何利用TensorFlow使用(经典)MNIST数据集训练并评估一个用于识别手写数字的简易前馈神经网络(feed-forward neural network).我们的目标读者,是有兴趣使用TensorFlow的资深机器学习人士. 因此,撰写该系列教程并不是为了教大家机器学习领域的基础知识. 在学习本教程之前,请确保您已按照安装TensorFlow教程中的要求,完成了安装. 教程使

简明 TensorFlow 教程 — 第二部分:混合学习

本文讲的是简明 TensorFlow 教程 - 第二部分:混合学习, 快速上手世界上最流行的深度学习框架. 确保你已经阅读了第一部分 在本文中,我们将演示一个宽 N 深度网络,它使用广泛的线性模型与前馈网络同时训练,以证明它比一些传统的机器学习技术能提供精度更高的预测结果.下面我们将使用混合学习方法预测泰坦尼克号乘客的生存概率. 混合学习技术已被 Google 应用在 Play 商店中提供应用推荐.Youtube 也在使用类似的混合学习技术来推荐视频. 本文的代码可以在这里找到. 广泛深度网络

Zend Framework教程之资源(Resources)用法实例详解_php实例

本文实例讲述了Zend Framework教程之资源(Resources)用法.分享给大家供大家参考,具体如下: Zend_Application_Resource_Resource Zend_Application_Bootstrap_ResourceBootstrapper是引导类加载注册资源插件使用的接口. Zend_Application_Resource_Resource是一个资源插件接口. Zend_Application_Resource_Resource通常被用于实现了Zend_