在这篇文章中，我们将深入研究Tensorflow Tensor的实现细节。我们将在以下五个简单步骤中介绍与Tensorflow的Tensor中相关的所有主题：

• 第一步：张量的定义→什么是张量？

• 第二步：创建张量→创建张量对象的函数

• 第三步：张量对象的特征

• 第四步：张量操作→索引、基本张量操作、形状操作、广播

• 第五步：特殊张量

张量的定义：什么是张量

张量是TensorFlow的均匀型多维数组，它非常类似于NumPy数组，并且是不可变的，这意味着一旦创建它们就不能被更改。

首先，要使用TensorFlow对象，我们需要导入TensorFlow库，因为我们经常将NumPy与TensorFlow一起使用，因此我们也可以导入NumPy：

import tensorflow as tf
import numpy as np

张量的创建：创建张量对象

有多种方法可以创建tf.Tensor对象，同时也可以使用多个TensorFlow函数来创建张量对象，如下例所示：

# 你可以用`tf.constant`函数创建tf.Tensor对象:
x = tf.constant([[1, 2, 3, 4 ,5]])
# 你可以用`tf.ones`函数创建tf.Tensor对象:
y = tf.ones((1,5))
# 你可以用`tf.zeros`函数创建tf.Tensor对象:
z = tf.zeros((1,5))
# 你可以用`tf.range`函数创建tf.Tensor对象:
q = tf.range(start=1, limit=6, delta=1)print(x)
print(y)
print(z)
print(q)

输出：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，我们使用三个不同的函数创建了形状(1,5)的张量对象，使用tf.range()函数创建了形状(5,)的第四个张量对象。注意,tf.ones的和tf.zeros接受形状作为必需的参数，因为它们的元素值是预先确定的。

张量对象的特征

tf.Tensor创建对象有几个特征。首先，他们有维度数量；其次，它们有一个形状，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；最后，它们的元素都被记录在一个统一的数据类型（datatype）中。让我们仔细看看这些特征。

维度

张量根据其维数进行分类：

• Rank-0（标量）张量：包含单个值且没有轴的张量（0维）；

• Rank-1张量：包含单轴（一维）值列表的张量；

• Rank-2张量：包含2个轴（2维）的张量；以及

• Rank-N张量：包含N轴的张量（三维）。

例如，我们可以通过向tf.constant传递一个三层嵌套的list对象来创建一个Rank-3张量。我们可以将数字分割成一个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)

我们可以查看“rank_3_tensor”对象当前具有“.ndim”属性的维度数。

tensor_ndim = rank_3_tensor.ndim
print("The number of dimensions in our Tensor object is", tensor_ndim)

Output:
The number of dimensions in our Tensor object is 3

形状

形状特征是每个张量都具有的另一个属性，它以列表的形式显示每个维度的大小。我们可以查看使用.shape属性创建的rank_3_tensor对象的形状，如下所示：

tensor_shape = rank_3_tensor.shape
print("The shape of our Tensor object is", tensor_shape)

Output:
The shape of our Tensor object is (2, 2, 3)

如你所见，我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征，它表示张量有多少个元素。我们不能用张量对象的属性来测量大小，相反，我们需要使用tf.size函数。最后，我们将使用实例函数.NumPy（）将输出转换为NumPy，以获得更具可读性的结果：

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

张量通常包含数字数据类型，如浮点和整数，但也可能包含许多其他数据类型，如复数和字符串。

但是，每个张量对象必须将其所有元素存储在一个统一的数据类型中，因此，我们还可以使用.dtype属性查看为特定张量对象选择的数据类型，如下所示：

tensor_dtype = rank_3_tensor.dtype
print("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

索引是项目在序列中位置的数字表示，这个序列可以引用很多东西：一个列表、一个字符串或任意的值序列。

TensorFlow还遵循标准的Python索引规则，这类似于列表索引或NumPy数组索引。

关于索引的一些规则：

1. 索引从零（0）开始。

2. 负索引（“-n”）值表示从末尾向后计数。

3. 冒号（“：”）用于切片。

4. 逗号（“，”）用于进入更深的维度。

让我们用以下几行创建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)

测试一下我们的规则1，2，3：

# 规则1，索引从0开始
print("First element is:",rank_1_tensor[0].numpy())# 规则2，负索引
print("Last element is:",rank_1_tensor[-1].numpy())# 规则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]

现在，让我们用以下代码创建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)

用几个例子来测试第4条规则：

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())# 规则4, 逗号用于进入更深的维度
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

现在，我们已经介绍了索引的基本知识，让我们看看我们可以对张量进行的基本操作。

张量基本运算

你可以轻松地对张量进行基本的数学运算，例如：

1. 加法

2. 元素乘法

3. 矩阵乘法

4. 求最大值或最小值

5. 找到Max元素的索引

6. 计算Softmax值

让我们看看这些运算，我们将创建两个张量对象并应用这些操作。

a = tf.constant([[2, 4], [6, 8]], dtype=tf.float32)
b = tf.constant([[1, 3], [5, 7]], dtype=tf.float32)

我们可以从加法开始。

# 我们可以使用' 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

# 我们可以使用' 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：

# 我们可以使用' 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)

注意：Matmul操作是深度学习算法的核心，因此，尽管你不会直接使用matmul，但了解这些操作是至关重要的。

我们上面列出的其他操作示例：

# 使用' tf.reduce_max() '和' tf.reduce_min() '函数可以找到最大值或最小值
print("The Max value of the tensor object b is:",tf.reduce_max(b).numpy())# 使用' tf.argmax() '函数可以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())# 使用 tf.nn.softmax'函数计算softmax
print("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  ]]

操纵形状

就像在NumPy数组和pandas数据帧中一样，你也可以重塑张量对象。

这个变形操作非常快，因为底层数据不需要复制。对于重塑操作，我们可以使用tf.reshape函数

# 我们的初始张量
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)# 如果我们以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，我们可以很容易地重塑我们的张量对象，但要注意的是，在进行重塑操作时，开发人员的操作必须是合理的，否则，张量可能会混淆，甚至会产生错误。

广播

当我们尝试使用多个张量对象进行组合操作时，较小的张量可以自动伸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)

由于广播操作，在对张量进行数学运算时，我们不必担心大小匹配。

张量的特殊类型

我们常常会生成矩形张量，并将数值存储为元素，但是，TensorFlow还支持不规则或特殊的张量类型，这些类型包括：

1. 参差不齐的张量

2. 字符串张量

3. 稀疏张量

让我们仔细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有不同数量元素的张量

可以构建不规则张量，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。我们可以建立一个字符串张量，就像你创建一个普通的张量对象一样，但是，我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)

稀疏张量

最后，稀疏张量是稀疏数据的矩形张量。当数据中有空值时，稀疏张量就是对象。创建稀疏张量有点耗时，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])# 我们可以把稀疏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

本文我们介绍了TensorFlow的张量对象的基础知识。

这应该会让你对TensorFlow框架的基本知识了解得更多了。

参考链接：https://towardsdatascience.com/mastering-tensorflow-tensors-in-5-easy-steps-35f21998bb86

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓