tensorflow2.0学习记录-张量与操作 之 张量tensor_四阶张量的矩阵表示

总览

在进行tensorflow的使用之前，我们可以使用

import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())
1
2
3

来查看安装的tf版本以及gpu是否可使用。

关于张量（tensor）

通俗一点讲：张量是对标量，矢量，矩阵的推广。一阶张量可以理解成一个向量，二阶张量可以理解成矩阵，三阶张量可以理解成立方体，四阶张量可以理解成立方体组成的一个向量，五阶张量可以理解成立方体组成的矩阵，依次类推。
关于RANK与SHAPE的个人理解
通俗的讲，rank是指这个张量所具有的维度，可以是一维二维三维等等；shape是指这个张量的形状，由几行几列组成，可以理解为分别对张量每个维度的具体描述。

tensor1=tf.Variable("Elephant",tf.string)
tf.print(tf.rank(tensor1))
tf.print(tf.shape(tensor1))
1
2
3

运行这段代码可以看出，字符串“Elephant”其维度为0，且不具备形状（行列）的概念。故运行之后结果为

0
[]
1
2

再套用上述代码段测试以下张量，可以发现其分别对应结果为

tensor2=tf.Variable(["Hello"],tf.string)
tensor3=tf.Variable([[7],[11]],tf.int16)
1
2

1
[1]
2
[2 1]
1
2
3
4

张量除了以上定义方法，还有以下函数可以调用，分别对应使用方法与结果如下（方法很多，在以后的学习中将会进行补充）

tf.constant([1,2,3],dtype=tf.int16)
tf.zeros((2,2),dtype=tf.int16)
1
2

<tf.Tensor: id=42, shape=(3,), dtype=int16, numpy=array([1, 2, 3], dtype=int16)>
<tf.Tensor: id=45, shape=(2, 2), dtype=int16, numpy=
array([[0, 0],
       [0, 0]], dtype=int16)>
1
2
3
4

方法据说与numpy类似，本人尚未学习numpy，以后会进行详细补充。

以上便是本周对tensorflow张量的学习和理解。

**课程来自“深度之眼”，部分论述摘自“春江明月”的博客。