张量 tensor
Tensor是一个类， 包含了属性和常用函数， 一个Tensor对象主要包含一下三个部分，
如下所示：
Tensor("placeholder:0", shape=(2, 3), dtype=float32)
- 第一部分是Tensor Name， 比如：‘Constant‘、 ’placeholder、 ‘Varuable‘等，
没什么实质性的含义， 知识表示Tensor的顺序，当前是0， 那么下一个Tensor就是1；
- 第二部分是Tensor shape,Tensor的形状，这里是[2,3], 也就是2行3列；
- 第三部分是Tensor Type， 也就是tensor张量的数据类型
张量的形状
张量的形状，在Tensorflow中我们用阶乘表示：
在Tensorflow中，[n,m]向量， 表示n行m列， 行表示特征数量， 列表示样本数量。
Tensor数据类型
tensor的数据类型有很多， 如下图所示：
这里有float32， float64， 同理还有int32， int64，float64表示浮点数的精度，
但是实际并不会多分配内存，两者的使用效果差不多， 我们常用的float32.
Tensor 属性
tensor对象有以下属性， 我们可以通过tensor对象进行获取。
- graph：张量对所在的图
- op ： 张量的op
- name： 张量的名字
- shape： 张量的形状
示例
1 import tensorflow as tf
2
3 a = tf.constant(1.0)
4
5
6 with tf.Session() as sess:
7 print("graph-->", a.graph)
8 print("op-->", a.op)
9 print("name-->", a.name)
10 print("shape-->", a.shape)
输出结果：
graph--> <tensorflow.python.framework.ops.Graph object at 0x0000026D64F78C88>
op--> name: "Const"
op: "Const"
attr {
key: "dtype"
value {
type: DT_FLOAT
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_FLOAT
tensor_shape {
}
float_val: 1.0
}
}
}
name--> Const:0
shape--> ()
placeholder占位符张量
我们可以通过tf.placeholder来创建一个占位符张量， 用于在运行图的时候，可以动态
的赋予数据， 在Session中运行图的时候， 我们通过run（fetches， feed_dict=None,
graph=None)来来动态的赋予数据。
参数说明：
- feches：tensor
- feed_dict：喂养的动态数据
- graph：默认就是当前的图，所以不用填写。
1 import tensorflow as tf
2
3 plt = tf.placeholder(tf.float32, [2,3])
4 print(plt)
5
6
7 with tf.Session() as sess:
8 print(sess.run(plt, feed_dict = {plt: [
9 [1, 2, 3],
10 [4, 5, 6]
11 ]
12 }))
输出结果
Tensor("Placeholder:0", shape=(2, 3), dtype=float32)
[[1. 2. 3.]
[4. 5. 6.]]
从图中可以看到，plt就是一个张量tensor
张量的动态形状和静态形状
Tensorflow中， 张量具有静态形状和动态形状。
- 静态形状
创建一个张量， 初始状态的形状， 如果初始形态的状态的shape有不确定的项，可以通过tf.Tensor.set_shape()
去更新形状，一旦shape是确定的，不允许给修改，这个张量在整张图的运行中都是不能修改的。
可以通过tf.Tensor.get_shape()去获取静态的形状。
核心api：
获取静态形状：tf.Tensor.get_shape()
更新静态形状：tf.Tensor.set_shape()
- 动态形状
一张描述原始张量在执行过程中的一种形状， 这个张量在图的执行过程中是可以动态改变的。
核心api：
更新形状： tf.reshape()
示例：
1 import tensorflow as tf 2 3 plt = tf.placeholder(tf.float32, [None,2]) 4 print(plt) 5 6 #列已经确定了，行没有确定可以修改 7 plt.set_shape([3,2]) 8 print(plt) 9 print(plt.get_shape()) 10 11 12 #reshape重新创建一个张量 13 plt2 = tf.reshape(plt, [2,3]) 14 print(plt2) 15 with tf.Session() as sess: 16 pass
输出结果：
Tensor("Placeholder:0", shape=(?, 2), dtype=float32)
Tensor("Placeholder:0", shape=(3, 2), dtype=float32)
(3, 2)
Tensor("Reshape:0", shape=(2, 3), dtype=float32)
补充说明：reshape前后的张量的个数是不可变的，可以使用tensorflow提供的api创建张量
创建随机张量
1 tf.random.normal(shape, mean=0.0, stddev=1.0 , dtype=float32, seed=None, name=None)
说明：只需要关注两个参数，mean表示的是数据的平均值，stddev是数据的标准差
，当mean=0，stddev=1时，就是标准正太分布。
张量类型的转换
例如：将张量的dtype是tf.int32类型的，可以转换为tf.float32类型的。
核心api：tf.cast()
示例如下：
1 a = tf.constant(1.0) 2 b = tf.cast(a,tf.int32)
在上面的示例中将float32类型的转换为了int32类型的。
张量的合并
可以将两个张量合并，核心api是tf.concat(),示例如下：
1 import tensorflow as tf 2 3 b = [[1,2,3],[4,5,6]] 4 c = [[7,8,9],[10,11,12]] 5 #张量合并 6 d = tf.concat([b,c], axis = 0) 7 8 with tf.Session() as sess: 9 print(d.eval())
输出结果：
[[ 1 2 3] [ 4 5 6] [ 7 8 9] [10 11 12]]
补充说明：axis=0表示按行合并，axis=1表示按列合并
原文地址：https://www.cnblogs.com/Maxim/p/12633654.html