TensorFlow 入門

TensorFlow 資料模型一一張量

張量的概念

• 張量是 TensorFlow 管理資料的形式，在 TensorFlow程式中，所有的資料都通過張量的形式來表示。

• 從功能的角度上看，張量可以被簡單理解為多維陣列。

  • 零階張量表示標量（scalar），也就是一個數；
  • 一階張量為向量（vector)，也就是一個一維陣列；
  • 第 n 階張量可以理解為一個 n 維陣列。

• 張量在 TensorFlow 中的實現並不是直接採用陣列的形式，它只是對TensorFlow 中運算結果的引用。在張量中並沒有真正儲存數字，它儲存的是如何得到這些數字的計算過程。

• TensorFlow中的張量和 NumPy 中的陣列不同，TensorFlow 計算的結果不是一個具體的數字，而且一個張量的結構。一個張量中主要儲存了三個屬性 ： 名字（name）、維度（shape）和型別（type）。

  # 以向量加法為例，當執行如下程式碼時，並不會得到加法的結果，而會得到對結果的一個引用。
  import tensorflow as tf 
  # tf.constant是一個計算，這個計算的結果為一個張量，儲存在變數a中。
  a = tf.constant([1.0, 2.0], name="a")
  b = tf.constant([2.0, 3.0], name="b")
  result = tf.add(a, b, name="add")
  print(result)
  # 輸出：Tensor("add:0", shape=(2,), dtype=float32)
   
  

• 張量的第一個屬性名字不僅是一個張量的唯一識別符號，它同樣也給出了這個張量是如何計算出來的。

• TensorFlow 的計算都可以通過計算圖 的模型來建立，而計算圖上的每一個節點代表了 一個計算，計算的結果就儲存在張量之中，所以張量和計算圖上節點所代表的計算結果是對應的。

• 張量的命名可以通過 “node:src_output”的形式來給出。

  • 其中 node 為節點的名稱，src一output 表示當前張量來自節點的第幾個輸出。
  • 比如“ add:0”就說明了 result 這個張量是計算節點“add” 輸出的第一個結果（編號從0開始）。

• 張量的第二個屬性是張量的維度（shape）。

  • 這個屬性描述了一個張量的維度資訊。
  • 比如shape=(2，）說明了張量 result 是一個一維陣列，這個陣列的長度為2。

• 張量的第三個屬性是型別（type）。

  • 每一個張量會有一個唯一的型別。
  • TensorFlow 會對參與運算的所有張量進行型別的檢查，當發現型別不匹配時會報錯。
  • 如果不指定型別，TensorFlow 會給出預設的型別，比如不帶小數點的數會被預設為 int32，帶小數點的會預設為 float32 。
  • 因為使用預設型別有可能會導致潛在的型別不匹配問題，所以一般建議通過指定 dtype 來明確指出變數或者常量的型別。

張量的使用

• 張量使用主要可以總結為兩大類。
  • 第一類用途是對中間計算結果的引用。
    • 當一個計算包含很多中間結果時，使用張量可以大大提高程式碼的可讀性。
    • 當計算的複雜度增加時（比如在構建深層神經網路時）通過張量來引用計算的中間結果可以使程式碼的可閱讀性大大提升。
    • 通過張量來儲存中間結果可以方便獲取中間結果。比如在卷積神經網路中，卷積層或者池化層有可能改變張量的維度，通過 result.get_shape 函式來獲取結果張量的維度資訊可以免去人工計算的麻煩。
  • 使用張量的第二類情況是當計算圖構造完成之後，張量可以用來獲得計算結果，也就是得到真實的數字。
    • 雖然張量本身沒有儲存具體的數字，但是通過會話，就可以得到這些具體的數字。