TensorFlow用張量這種數(shù)據(jù)結(jié)構(gòu)來表示所有的數(shù)據(jù).你可以把一個(gè)張量想象成一個(gè)n維的數(shù)組或列表.一個(gè)張量有一個(gè)靜態(tài)類型和動(dòng)態(tài)類型的維數(shù).張量可以在圖中的節(jié)點(diǎn)之間流通.

階

在TensorFlow系統(tǒng)中，張量的維數(shù)來被描述為階.但是張量的階和矩陣的階并不是同一個(gè)概念.張量的階（有時(shí)是關(guān)于如順序或度數(shù)或者是n維）是張量維數(shù)的一個(gè)數(shù)量描述.比如，下面的張量（使用Python中l(wèi)ist定義的）就是2階.

    t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以認(rèn)為一個(gè)二階張量就是我們平常所說的矩陣，一階張量可以認(rèn)為是一個(gè)向量.對(duì)于一個(gè)二階張量你可以用語句t[i, j]來訪問其中的任何元素.而對(duì)于三階張量你可以用't[i, j, k]'來訪問其中的任何元素.

階	數(shù)學(xué)實(shí)例	Python 例子
0	純量 (只有大小)	`s = 483`
1	向量(大小和方向)	`v = [1.1, 2.2, 3.3]`
2	矩陣(數(shù)據(jù)表)	`m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]`
3	3階張量 (數(shù)據(jù)立體)	`t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]`
n	n階 (自己想想看)	`....`

形狀

TensorFlow文檔中使用了三種記號(hào)來方便地描述張量的維度：階，形狀以及維數(shù).下表展示了他們之間的關(guān)系：

階	形狀	維數(shù)	實(shí)例
0	[ ]	0-D	一個(gè) 0維張量. 一個(gè)純量.
1	[D0]	1-D	一個(gè)1維張量的形式[5].
2	[D0, D1]	2-D	一個(gè)2維張量的形式[3, 4].
3	[D0, D1, D2]	3-D	一個(gè)3維張量的形式 [1, 4, 3].
n	[D0, D1, ... Dn]	n-D	一個(gè)n維張量的形式 [D0, D1, ... Dn].

形狀可以通過Python中的整數(shù)列表或元祖（int list或tuples）來表示，也或者用TensorShape class.

數(shù)據(jù)類型

除了維度，Tensors有一個(gè)數(shù)據(jù)類型屬性.你可以為一個(gè)張量指定下列數(shù)據(jù)類型中的任意一個(gè)類型：

數(shù)據(jù)類型	Python 類型	描述
`DT_FLOAT`	`tf.float32`	32 位浮點(diǎn)數(shù).
`DT_DOUBLE`	`tf.float64`	64 位浮點(diǎn)數(shù).
`DT_INT64`	`tf.int64`	64 位有符號(hào)整型.
`DT_INT32`	`tf.int32`	32 位有符號(hào)整型.
`DT_INT16`	`tf.int16`	16 位有符號(hào)整型.
`DT_INT8`	`tf.int8`	8 位有符號(hào)整型.
`DT_UINT8`	`tf.uint8`	8 位無符號(hào)整型.
`DT_STRING`	`tf.string`	可變長度的字節(jié)數(shù)組.每一個(gè)張量元素都是一個(gè)字節(jié)數(shù)組.
`DT_BOOL`	`tf.bool`	布爾型.
`DT_COMPLEX64`	`tf.complex64`	由兩個(gè)32位浮點(diǎn)數(shù)組成的復(fù)數(shù):實(shí)數(shù)和虛數(shù).
`DT_QINT32`	`tf.qint32`	用于量化Ops的32位有符號(hào)整型.
`DT_QINT8`	`tf.qint8`	用于量化Ops的8位有符號(hào)整型.
`DT_QUINT8`	`tf.quint8`	用于量化Ops的8位無符號(hào)整型.

原文：Tensor Ranks, Shapes, and Types

翻譯：nb312

校對(duì)：[lonlonago]( https://github.com/lonlonago)

上一篇：遞歸神經(jīng)網(wǎng)絡(luò) <a class="md-anchor" id="AUTOGENERATED-recurrent-neural-n下一篇：深入MNIST <a class="md-anchor" id="AUTOGENERATED-deep-mnist-for-ex

在线观看不卡亚洲电影_亚洲妓女99综合网_91青青青亚洲娱乐在线观看_日韩无码高清综合久久

張量的階、形狀、數(shù)據(jù)類型<a class="md-anchor" id="AUTOGENERATED-tensor-ranks-

階

形狀

數(shù)據(jù)類型

張量的階、形狀、數(shù)據(jù)類型<a class="md-anchor" id="AUTOGENERATED-tensor-ranks-