在這篇文章中，我們將深入研究Tensorflow Tensor的實(shí)現(xiàn)細(xì)節(jié)。我們將在以下五個(gè)簡(jiǎn)單步驟中介紹與Tensorflow的Tensor中相關(guān)的所有主題：第一步：張量的定義→什么是張量？第二步：創(chuàng)建張量→創(chuàng)建張量對(duì)象的函數(shù)第三步：張量對(duì)象的特征第四步：張量操作→索引、基本張量操作、形狀操作、廣播第五步：特殊張量張量的定義：什么是張量？

張量是TensorFlow的均勻型多維數(shù)組，它非常類似于NumPy數(shù)組，并且是不可變的，這意味著一旦創(chuàng)建它們就不能被更改。首先，要使用TensorFlow對(duì)象，我們需要導(dǎo)入TensorFlow庫，因?yàn)槲覀兘?jīng)常將NumPy與TensorFlow一起使用，因此我們也可以導(dǎo)入NumPy：import tensorflow as tf

import numpy as np

張量的創(chuàng)建：創(chuàng)建張量對(duì)象有多種方法可以創(chuàng)建tf．Tensor對(duì)象，同時(shí)也可以使用多個(gè)TensorFlow函數(shù)來創(chuàng)建張量對(duì)象，如下例所示：＃ 你可以用｀tf．constant｀函數(shù)創(chuàng)建tf．Tensor對(duì)象：
x ＝ tf．constant（［［1， 2， 3， 4 ，5］］）
＃ 你可以用｀tf．ones｀函數(shù)創(chuàng)建tf．Tensor對(duì)象：
y ＝ tf．ones（（1，5））
＃ 你可以用｀tf．zeros｀函數(shù)創(chuàng)建tf．Tensor對(duì)象：
z ＝ tf．zeros（（1，5））
＃ 你可以用｀tf．range｀函數(shù)創(chuàng)建tf．Tensor對(duì)象：
q ＝ tf．range（start＝1， limit＝6， delta＝1）
print（x）
print（y）
print（z）
print（q）
輸出：
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）

如你所見，我們使用三個(gè)不同的函數(shù)創(chuàng)建了形狀（1，5）的張量對(duì)象，使用tf．range（）函數(shù)創(chuàng)建了形狀（5，）的第四個(gè)張量對(duì)象。注意，tf．ones的和tf．zeros接受形狀作為必需的參數(shù)，因?yàn)樗鼈兊脑刂凳穷A(yù)先確定的。張量對(duì)象的特征tf．Tensor創(chuàng)建對(duì)象有幾個(gè)特征。首先，他們有維度數(shù)量；其次，它們有一個(gè)形狀，一個(gè)由維度的長(zhǎng)度組成的列表；所有張量都有一個(gè)大小，即張量中元素的總數(shù)；最后，它們的元素都被記錄在一個(gè)統(tǒng)一的數(shù)據(jù)類型（datatype）中。讓我們仔細(xì)看看這些特征。維度張量根據(jù)其維數(shù)進(jìn)行分類：Rank－0（標(biāo)量）張量：包含單個(gè)值且沒有軸的張量（0維）；Rank－1張量：包含單軸（一維）值列表的張量；Rank－2張量：包含2個(gè)軸（2維）的張量；以及Rank－N張量：包含N軸的張量（三維）。

例如，我們可以通過向tf．constant傳遞一個(gè)三層嵌套的list對(duì)象來創(chuàng)建一個(gè)Rank－3張量。我們可以將數(shù)字分割成一個(gè)3層嵌套的列表，每個(gè)層有3個(gè)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）

我們可以查看“rank＿3＿tensor”對(duì)象當(dāng)前具有“．ndim”屬性的維度數(shù)。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

形狀形狀特征是每個(gè)張量都具有的另一個(gè)屬性，它以列表的形式顯示每個(gè)維度的大小。我們可以查看使用．shape屬性創(chuàng)建的rank＿3＿tensor對(duì)象的形狀，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）

如你所見，我們的張量在第一層有兩個(gè)元素，第二層有兩個(gè)元素，第三層有三個(gè)元素。大小大小是張量的另一個(gè)特征，它表示張量有多少個(gè)元素。我們不能用張量對(duì)象的屬性來測(cè)量大小，相反，我們需要使用tf．size函數(shù)。最后，我們將使用實(shí)例函數(shù)．NumPy（）將輸出轉(zhuǎn)換為NumPy，以獲得更具可讀性的結(jié)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

數(shù)據(jù)類型張量通常包含數(shù)字?jǐn)?shù)據(jù)類型，如浮點(diǎn)和整數(shù)，但也可能包含許多其他數(shù)據(jù)類型，如復(fù)數(shù)和字符串。但是，每個(gè)張量對(duì)象必須將其所有元素存儲(chǔ)在一個(gè)統(tǒng)一的數(shù)據(jù)類型中，因此，我們還可以使用．dtype屬性查看為特定張量對(duì)象選擇的數(shù)據(jù)類型，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＇＞

張量運(yùn)算索引索引是項(xiàng)目在序列中位置的數(shù)字表示，這個(gè)序列可以引用很多東西：一個(gè)列表、一個(gè)字符串或任意的值序列。TensorFlow還遵循標(biāo)準(zhǔn)的Python索引規(guī)則，這類似于列表索引或NumPy數(shù)組索引。關(guān)于索引的一些規(guī)則：索引從零（0）開始。負(fù)索引（“－n”）值表示從末尾向后計(jì)數(shù)。冒號(hào)（“：”）用于切片。逗號(hào)（“，”）用于進(jìn)入更深的維度。讓我們用以下幾行創(chuàng)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）

測(cè)試一下我們的規(guī)則1，2，3：＃ 規(guī)則1，索引從0開始
print（＂First element is：＂，
rank＿1＿tensor［0］．numpy（））
＃ 規(guī)則2，負(fù)索引
print（＂Last element is：＂，
rank＿1＿tensor［－1］．numpy（））
＃ 規(guī)則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］

現(xiàn)在，讓我們用以下代碼創(chuàng)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）

用幾個(gè)例子來測(cè)試第4條規(guī)則：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（））
＃ 規(guī)則4， 逗號(hào)用于進(jìn)入更深的維度
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

現(xiàn)在，我們已經(jīng)介紹了索引的基本知識(shí)，讓我們看看我們可以對(duì)張量進(jìn)行的基本操作。張量基本運(yùn)算你可以輕松地對(duì)張量進(jìn)行基本的數(shù)學(xué)運(yùn)算，例如：加法元素乘法矩陣乘法求最大值或最小值找到Max元素的索引計(jì)算Softmax值讓我們看看這些運(yùn)算，我們將創(chuàng)建兩個(gè)張量對(duì)象并應(yīng)用這些操作。a ＝ tf．constant（［［2， 4］，
［6， 8］］， dtype＝tf．float32）
b ＝ tf．constant（［［1， 3］，
［5， 7］］， dtype＝tf．float32）

我們可以從加法開始。＃ 我們可以使用＇ tf．add（） ＇函數(shù)并將張量作為參數(shù)傳遞。
add＿tensors ＝ tf．a(chǎn)dd（a，b）
print（add＿tensors）
Output：
tf．Tensor（ ［［ 3． 7．］
［11． 15．］］， shape＝（2， 2）， dtype＝float32）

乘法＃ 我們可以使用＇ tf．multiply（） ＇函數(shù)并將張量作為參數(shù)傳遞。
multiply＿tensors ＝ tf．multiply（a，b）
print（multiply＿tensors）
Output：
tf．Tensor（ ［［ 2． 12．］
［30． 56．］］， shape＝（2， 2）， dtype＝float32）
矩陣乘法：＃ 我們可以使用＇ tf．matmul（） ＇函數(shù)并將張量作為參數(shù)傳遞。
matmul＿tensors ＝ tf．matmul（a，b）
print（matmul＿tensors）
Output：
tf．Tensor（ ［［ 2． 12．］
［30． 56．］］， shape＝（2， 2）， dtype＝float32）

注意：Matmul操作是深度學(xué)習(xí)算法的核心，因此，盡管你不會(huì)直接使用matmul，但了解這些操作是至關(guān)重要的。我們上面列出的其他操作示例：＃ 使用＇ tf．reduce＿max（） ＇和＇ tf．reduce＿min（） ＇函數(shù)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．a(chǎn)rgmax（） ＇函數(shù)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．a(chǎn)rgmax（b）．numpy（））

＃ 使用 tf．nn．softmax＇函數(shù)計(jì)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 ］］

操縱形狀就像在NumPy數(shù)組和pandas數(shù)據(jù)幀中一樣，你也可以重塑張量對(duì)象。這個(gè)變形操作非常快，因?yàn)榈讓訑?shù)據(jù)不需要復(fù)制。對(duì)于重塑操作，我們可以使用tf．reshape函數(shù)＃ 我們的初始張量
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）

＃ 如果我們以shape參數(shù)傳遞－1，那么張量就變平坦化。
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）

如你所見，我們可以很容易地重塑我們的張量對(duì)象，但要注意的是，在進(jìn)行重塑操作時(shí)，開發(fā)人員的操作必須是合理的，否則，張量可能會(huì)混淆，甚至?xí)a(chǎn)生錯(cuò)誤。廣播當(dāng)我們嘗試使用多個(gè)張量對(duì)象進(jìn)行組合操作時(shí)，較小的張量可以自動(dòng)伸展以適應(yīng)較大的張量，就像NumPy數(shù)組一樣。例如，當(dāng)你嘗試將標(biāo)量張量與秩2張量相乘時(shí)，標(biāo)量將被拉伸以乘以每個(gè)秩2張量元素。參見以下示例：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）

由于廣播操作，在對(duì)張量進(jìn)行數(shù)學(xué)運(yùn)算時(shí)，我們不必?fù)?dān)心大小匹配。張量的特殊類型我們常常會(huì)生成矩形張量，并將數(shù)值存儲(chǔ)為元素，但是，TensorFlow還支持不規(guī)則或特殊的張量類型，這些類型包括：參差不齊的張量字符串張量稀疏張量

讓我們仔細(xì)看看每一個(gè)都是什么。參差不齊的張量參差不齊張量是沿著尺寸軸具有不同數(shù)量元素的張量可以構(gòu)建不規(guī)則張量，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］］＞

字符串張量字符串張量是存儲(chǔ)字符串對(duì)象的張量。我們可以建立一個(gè)字符串張量，就像你創(chuàng)建一個(gè)普通的張量對(duì)象一樣，但是，我們將字符串對(duì)象作為元素而不是數(shù)字對(duì)象傳遞，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）

稀疏張量最后，稀疏張量是稀疏數(shù)據(jù)的矩形張量。當(dāng)數(shù)據(jù)中有空值時(shí)，稀疏張量就是對(duì)象。創(chuàng)建稀疏張量有點(diǎn)耗時(shí)，這里有一個(gè)例子：sparse＿tensor ＝ tf．sparse．SparseTensor（indices＝［［0， 0］， ［2， 2］， ［4， 4］］，
values＝［25， 50， 100］，
dense＿shape＝［5， 5］）

＃ 我們可以把稀疏張量轉(zhuǎn)換成密集張量
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）

結(jié)尾本文我們介紹了TensorFlow的張量對(duì)象的基礎(chǔ)知識(shí)。這應(yīng)該會(huì)讓你對(duì)TensorFlow框架的基本知識(shí)了解得更多了。

審核編輯：符乾江