【前言】這篇文章將告訴你tensorflow的基本概念以及tensorflow的基本操作

TensorFlow的基本概念Tensor

1. TensorFlow的核心API

TensorFlow提供非常豐富的API，最底層的API—TensorFlow Core—提供了完整的程式設計控制介面。更高級別的API則是基於TensorFlow Core API之上，並且非常容易學習和使用，更高層次的API能夠使一些重複的工作變得更加簡單。比如tf.contrib.learn幫助你管理資料集等。

這篇博文將從TensorFlow Core開始。

1. Tensors（張量）

張量是所有深度學習框架中最核心的元件，TensorFlow中也是，在TensorFlow中，將資料表示為Tensor，一個Tensor是一個多維陣列，例如，你可以將一批影象表示為一個四維陣列[batch,height,width,channels]，陣列中的值均為浮點數。

在幾何代數中定義的張量是基於向量和矩陣的推廣，通俗理解，我們可以將標量視為零階張量，那麼矩陣就是二階張量。

舉例來說，我們可以將任意一張RGB彩色圖片表示成一個三階張量（三個維度分別是圖片的高度、寬度和色彩資料）。

如圖是一張普通水果圖片按照RGB三原色拆分成的三張灰度圖片，如果將這種表示方法用張量的形式寫出來，就是下圖的表格。

圖中只顯示了前5行、320列資料，每個方格代表一個畫素點，其中的資料[1.0,1.0,1.0]即為顏色。假設用[1.0,0,0]表示紅色，[0,1.0,0]代表綠色，[0,0,1.0]代表藍色，那麼如圖所示，前面5行的資料則全部是白色。

將這一定義進行擴充套件，我們也可以用四階張量表示一個包含多張圖片的資料集，其中的四個維度分別是：圖片在資料集中的編號，圖片高度、寬度，以及色彩資料。

將各種各樣的資料抽象成張量表示，然後再輸入神經網路模型進行後續處理是一種非常必要且高效的策略。因為如果沒有這一步驟，我們就需要根據各種不同型別的資料組織形式定義各種不同型別的資料操作，這會浪費大量的開發者精力。更關鍵的是，當資料處理完成後，我們還可以方便地將張量再轉換回想要的格式。例如Python NumPy包中numpy.imread和numpy.imsave兩個方法，分別用來將圖片轉換成張量物件（即程式碼中的Tensor物件），和將張量再轉換成圖片儲存起來。

1. 高維向量（Multidimensional Arrays）在matlab中的定義

An array having more than two dimensions is called a multidimensional array in the MATLAB® application. Multidimensional arrays in MATLAB are an extension of the normal two-dimensional matrix. Matrices have two dimensions: the row dimension and the column dimension.

You can access a two-dimensional matrix element with two subscripts: the first representing the row index, and the second representing the column index.

Multidimensional arrays use additional subscripts for indexing. A three-dimensional array, for example, uses three subscripts:

• The first references array dimension 1, the row.
• The second references dimension 2, the column.
• The third references dimension 3. This illustration uses the concept of a page to represent dimensions 3 and higher.

  

  To access the element in the second row, third column of page 2, for example, you use the subscripts (2,3,2).

  

  As you add dimensions to an array, you also add subscripts. A four-dimensional array, for example, has four subscripts. The first two reference a row-column pair; the second two access the third and fourth dimensions of data.

  Most of the operations that you can perform on matrices (i.e., two-dimensional arrays) can also be done on multidimensional arrays.

1. 理解高維陣列的建議

需要和高維陣列(Tensor)打交道的話，思考時不要想著row, column, page這些術語, 要用dim_1, dim_2,... dim_M 來思考。好多地方說Matlab是先存column， 用我們的術語其實就是Matlab按照從左到右：dim_1, dim_2,... dim_M的順序儲存元素。例如想想下面 2 x 4 x 3 x 5 矩陣的儲存順序：

1. 視覺化高維陣列

1. Rank

Rank本意是矩陣的秩，不過Tensor Rank和Matrix Rank的意義不太一樣，這裡就還叫Rank防止混淆了。Tensor Rank的意義看起來更像是維度，比如Rank = 1就是向量，Rank = 2就是矩陣了。（Rank = 0就是一個值了）

官網原話：A tensor's rank is its number of dimensions. 

3 # a rank 0 tensor; this is a scalar with shape []
[1. ,2., 3.] # a rank 1 tensor; this is a vector with shape [3]
[[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]

1. Shape

Shape就是Tensor在各個維度上的長度組成的陣列，譬如Rank = 0的Tensor Shape = []（因為沒有維度嘛），Rank = 1的Tensor Shape = [ a ]，Rank = 2的Tensor Shape = [ a, b ]這樣。