張量（Tensor）

在Tensorflow中，變量統一稱作張量（Tensor）。

張量（Tensor）是任意維度的數組。

• 0階張量：純量或標量 (scalar)， 也就是一個數值，例如，\‘Howdy\‘ 或 5
• 1階張量：向量 (vector)或矢量，也就是一維數組（一組有序排列的數），例如，[2, 3, 5, 7, 11] 或 [5]
• 2階張量：矩陣 (matrix)，也就是二維數組（有序排列的向量），例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]
• 3階張量：三維的矩陣，也就是把矩陣有序地疊加起來，成為一個“立方體”
• 以此類推，等等。

在大多數情況下，只會使用一個或多個低維張量（2階及以下）。

典型 TensorFlow 程序中的大多數代碼行都是指令，張量也是計算圖中的一種指令。
張量可以作為常量或變量存儲在圖中。

• 常量是始終會返回同一張量值的指令，存儲的是值不會發生更改的張量。
• 變量是會返回分配給它的任何張量的指令，存儲的是值會發生更改的張量。

示例：張量的定義

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 6 
 7 x = tf.constant([5.6], name="x_const")  # tf.constant定義標量整數常量並傳入值
 8 y = tf.Variable([0], name="y_Variable")  # tf.Variable定義變量並傳入默認值
 9 y = y.assign([3])  # 分配一個值
10 
11 with tf.Session() as sess:  # 圖必須在會話中運行，會話存儲了它所運行的圖的狀態
12     initialization = tf.global_variables_initializer()  # 使用tf.Variable時，必須在會話開始時明確初始化變量
13     print("x: {}".format(sess.run(x)))
14     print("y: {}".format(sess.run(y)))
 

示例：常量相加

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 6 
 7 g = tf.Graph()  # 創建圖，雖然TensorFlow提供一個默認圖，仍建議創建自己的Graph，以便跟蹤狀態
 8 
 9 with g.as_default():  # 將定義的圖作為默認
10     x = tf.constant(8, name="x_const")  # tf.constant定義標量整數常量並傳入值
11     y = tf.constant(5, name="y_const")
12     z = tf.constant(4, name="z_const")
13     sum1 = tf.add(x, y, name="x_y_sum")  # tf.add相加
14     sum2 = tf.add(z, sum1, name="x_y_z_sum")
15     with tf.Session() as sess:  # 圖必須在會話中運行
16         print("sum1: {}".format(sum1.eval()))
17         print("sum2: {}".format(sum2.eval()))
 

示例：矢量加法、張量形狀與廣播

 1 # coding=utf-8
 2 import tensorflow as tf
 3 import os
 4 
 5 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 6 
 7 try:
 8     tf.contrib.eager.enable_eager_execution()
 9     print("TF imported with eager execution!")
10 except ValueError:
11     print("TF already imported with eager execution!")
12 
13 # ### 矢量（一維張量）加法
14 primes = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)  # 包含質數的primes矢量
15 ones = tf.ones([6], dtype=tf.int32)  # 值全為1的ones矢量
16 just_beyond_primes = tf.add(primes, ones)  # 通過對前兩個矢量執行元素級加法而創建的矢量
17 twos = tf.constant([2, 2, 2, 2, 2, 2], dtype=tf.int32)
18 primes_doubled = primes * twos  # 通過將primes矢量中的元素翻倍而創建的矢量
19 print("primes: ", primes)
20 print("ones: ", ones)
21 print("just_beyond_primes: ", just_beyond_primes)
22 print("primes_doubled: ", primes_doubled)
23 
24 some_matrix = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.int32)
25 print("some_matrix: ", some_matrix)  # 輸出張量將返回其值、形狀以及存儲在張量中的值的類型
26 print("value of some_matrix is:\n", some_matrix.numpy())  # 調用張量的numpy方法會返回該張量的值（以NumPy數組形式）
27 
28 # ### 張量形狀
29 scalar = tf.zeros([])  # 標量
30 vector = tf.zeros([3])  # 值全為0的矢量
31 matrix = tf.zeros([2, 3])  # 值全為0的2行3列矩陣
32 print(‘scalar has shape：‘, scalar.get_shape(), ‘and value:\n‘, scalar.numpy())
33 print(‘vector has shape：‘, vector.get_shape(), ‘and value:\n‘, vector.numpy())
34 print(‘matrix has shape：‘, matrix.get_shape(), ‘and value:\n‘, matrix.numpy())
35 
36 # ### 廣播
37 primes2 = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32)
38 ones2 = tf.ones(1, dtype=tf.int32)  # 使用的是標量值（不是全包含1矢量）和廣播
39 just_beyond_primes2 = tf.add(primes2, ones2)
40 twos2 = tf.constant(2, dtype=tf.int32)  # 使用的是標量值（不是全包含 2 的矢量）和廣播
41 primes_doubled2 = primes2 * twos2
42 print("primes2: ", primes2)
43 print("ones2: ", ones2)
44 print("just_beyond_primes2: ", just_beyond_primes2)
45 print("primes_doubled2: ", primes_doubled2)
46 
47 # ### 矢量加法
48 # 可以對張量執行很多典型數學運算：https://www.tensorflow.org/api_docs/python/tf/math；
49 # 輸出張量將返回其值、形狀以及存儲在張量中的值的類型；
50 # 調用張量的numpy方法會返回該張量的值（以NumPy數組形式）；
51 #
52 # ### 張量形狀（shape）
53 # 形狀（shape）用於描述張量維度的大小和數量；
54 # 張量的形狀表示為list，其中第i個元素表示維度i的大小；
55 # 列表的長度表示張量的階（即維數）；
56 #
57 # ### 廣播
58 # TensorFlow支持廣播（一種借鑒自NumPy的概念）；
59 # 利用廣播，元素級運算中的較小數組會增大到與較大數組具有相同的形狀；

AI - TensorFlow Tensor