作者：man_world
原文地址：https://blog.csdn.net/mzpmzk/article/details/78636137

Tensor 定義

• A Tensor is a symbolic handle to one of the outputs of an Operation. It does not hold the values of that operation’s output, but instead provides a means of computing those values in a TensorFlow tf.Session.
• 在 TensorFlow 中，所有在節點之間傳遞的資料
  都為 Tensor 物件(可以看作 n 維的陣列)，常用影象資料的表示形式 為：batch*height*width*channel
  

二、Tensor 建立

• TF op：可接收標準 Python 資料型別，如整數、字串、由它們構成的列表或者Numpy 陣列，並將它們自動轉化為張量。**單個數值將被轉化為0階張量（或標量），數值列表將被轉化為1階張量（向量），由列表構成的列表**將被轉化為2階張量（矩陣），以此類推。
• Note：shape 要以 list 或 tuple 的形式傳入

1、常量 Tensor 的建立

• Constant Value Tensors

  # 產生全 0 的張量
  tf.zeros(shape, dtype=tf.float32, name=None)
  tf.zeros_like(tensor, dtype=None, name=None)
  

# 產生全 1 的張量
tf.ones(shape, dtype=tf.float32, name=None)
tf.ones_like(tensor, dtype=None, name=None)

# Creates a tensor of shape and fills it with value
tf.fill(dims, value, name=None)
tf.fill([2, 3], 9) ==> [[9, 9, 9]
[9, 9, 9]]

# 產生常量 Tensor, value 值可為 python 標準資料型別、Numpy 等
tf.constant(value, dtype=None, shape=None, name=‘Const’)
tf.constant(-1.0, shape=[2, 3]) => [[-1., -1., -1.] # Note: 注意 shape 的用法(廣播機制)
[-1., -1., -1.]]
tf.constant([1,2,3,4,5,6], shape=[2,3]) => [[1, 2, 3]
[4, 5, 6]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

# 產生 num 個等距分佈在 [start, stop] 間元素組成的陣列，包括 start & stop (需為 float 型別)
# increase by (stop - start) / (num - 1)
tf.linspace(start, stop, num,, name=None)

# []為可選引數，步長 delta 預設為 1，start 預設為 0, limit 的值取不到，它產生一個數字序列
tf.range([start], limit, delta=1, dtype=None, name=‘range’)

# eg
tf.range(start=3, limit=18, delta=3) # [3, 6, 9, 12, 15]
tf.range(limit=5) # [0, 1, 2, 3, 4]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

# 正態分佈，預設均值為0，標準差為1.0，資料型別為float32
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

# 正態分佈，但那些到均值的距離超過2倍標準差的隨機數將被丟棄，然後重新抽取，直到取得足夠數量的隨機數為止, 隨機數 x
# 的取值範圍是 $[mean - 2*stddev, mean + 2*stddev]$, 從而可以防止有元素與該張量中的其他元素顯著不同的情況出現
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

# 產生在[minval, maxval)之間形狀為 shape 的均勻分佈, 預設是[0, 1)之間形狀為 shape 的均勻分佈
tf.random_uniform(shape, minval=0.0, maxval=1, dtype=tf.float32, seed=None, name=None)

# Randomly shuffles a tensor along its first dimension
tf.random_shuffle(value, seed=None, name=None)

# Randomly crops a tensor to a given size
tf.random_crop(value, size, seed=None, name=None)
# Note：If a dimension should not be cropped, pass the full size of that dimension.
# For example, RGB images can be cropped with size = [crop_height, crop_width, 3]

# Sets the graph-level random seed
tf.set_random_seed(seed)
# 1. To generate the same repeatable sequence for an op across sessions
# set the seed for the op, a = tf.random_uniform([1], seed=1)
# 2. To make the random sequences generated by all ops be repeatable across sessions
# set a graph-level seed, tf.set_random_seed(1234)

# 其它
tf.multinomial(logits, num_samples, seed=None, name=None)
tf.random_gamma(shape,alpha,beta=None,dtype=tf.float32,seed=None,name=None)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34

2、變數 Tensor 的建立

I、Class tf.Variable()

• 常用屬性

  • dtype、shape、name
  • initial_value：Returns the Tensor used as the initial value for the variable.
  • initializer：The initializer operation for this variable，用於初始化此變數 sess.run(v.initializer)
  • op：The Operation that produces this tensor as an output.
  • device：The name of the device on which this tensor will be produced, or None.
  • graph：The Graph that contains this tensor.

• 常用方法

  • eval(session=None)：Evaluates this tensor in a Session. Returns A numpy ndarray with a copy of the value of this variable
  • get_shape()：Alias of Tensor.shape.
  • set_shape(shape)： It can be used to provide additional information about the shape of this tensor that cannot be inferred from the graph alone。
  • initialized_value()：Returns the value of the initialized variable.
  • read_value()：Returns the value of this variable, read in the current context.
  • assign(value, use_locking=False)：Assigns a new value to the variable.
  • assign_add(delta, use_locking=False)
  • assign_sub(delta, use_locking=False)

• Class Variable 定義

  # tf.constant 是 op，而 tf.Variable() 是一個類，初始化的物件有多個op
  var_obj = tf.Variable(
  	initial_value, 
  	dtype=None, 
  	name=None, 
  	trainable=True,
  	collections=None,
      validate_shape=True
  )
  

# 初始化引數
initial_value：可由 Python 內建資料型別提供，也可由常量 Tensor 的內建 op 來快速構建，但所有這些 op 都需要提供 shape

trainable：指明瞭該變數是否可訓練, 會加入 GraphKeys<span class="token punctuation">.</span>TRAINABLE_VARIABLES collection 中去。

collections: List of graph collections keys. The new variable is added to these collections. Defaults to [GraphKeys.GLOBAL_VARIABLES].

validate_shape: If False, allows the variable to be initialized with a value of unknown shape. If True, the default, the shape of initial_value must be known.

# 返回值
變數例項物件(Tensor-like)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21

II、tf.get_variable()

# Gets an existing variable with these parameters or create a new one
tf.get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    trainable=True,
    regularizer=None,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None
)

# 初始化引數
name: The name of the new or existing variable.
shape: Shape of the new or existing variable.
dtype: Type of the new or existing variable (defaults to DT_FLOAT).
initializer: Initializer for the variable if one is created.

trainable: If True also add the variable to the graph collection tf.GraphKeys.TRAINABLE_VARIABLES.

regularizer: A (Tensor -> Tensor or None) function; the result of applying it on a newly created variable will be added to the collection tf.GraphKeys.REGULARIZATION_LOSSES and can be used for regularization.

collections: List of graph collections keys to add the Variable to. Defaults to [GraphKeys.GLOBAL_VARIABLES] (see tf.Variable).

# 返回值
The created or existing Variable, 擁有變數類的所有屬性和方法。

# Note:
>>> name 引數必須要指定，如果僅給出 shape 引數而未指定 initializer，那麼它的值將由 tf.glorot_uniform_initializer 隨機產生，資料型別為tf.float32;
>>> 另外，initializer 可以為一個張量，這種情況下，變數的值和形狀即為此張量的值和形狀(就不必指定shape 了)。
>>> 此函式經常和 tf.variable_scope() 一起使用，產生共享變數

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36

III、initializer 引數的初始化

一般要在 tf.get_variable() 函式中指定**shape**，因為initializer要用到。

• tf.constant_initializer()、tf.zeros_initializer()、tf.ones_initializer()

  tf.constant_initializer(
  	value=0, 
  	dtype=dtypes.float32, 
  	verify_shape=False
  )
  

# 通常偏置項就是用它初始化的。由它衍生出的兩個初始化方法：
I、tf.zeros_initializer()
II、tf.ones_initializer()

init = tf.constant_initializer()
x = tf.get_variable(name=‘v_x’, shape=[2, 3], initializer=init) # 必須指定shape
sess.run(x.initializer)
sess.run(x)
>>> array([[ 0., 0., 0.],
[ 0., 0., 0.]], dtype=float32)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

# 生成截斷正態分佈的隨機數，方差一般選0.01等比較小的數
tf.truncated_normal_initializer(
    mean=0.0,
    stddev=1.0,
    seed=None,
    dtype=tf.float32
)

# 生成標準正態分佈的隨機數，方差一般選0.01等比較小的數
tf.random_normal_initializer(
mean=0.0,
stddev=1.0,
seed=None,
dtype=tf.float32
)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

# 生成均勻分佈的隨機數
tf.random_uniform_initializer(
    minval=0,
    maxval=None,
    seed=None,
    dtype=tf.float32
)

# 和均勻分佈差不多，只是這個初始化方法不需要指定最小最大值，是通過計算出來的
# 它的分佈區間為[-max_val, max_val]
tf.uniform_unit_scaling_initializer(
factor=1.0,
seed=None,
dtype=tf.float32
)

max_val = math.sqrt(3 / input_size) * self.factor
# input size is obtained by multiplying W’s all dimensions but the last one
# for a linear layer factor is 1.0, relu: ~1.43, tanh: ~1.15

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20

tf.variance_scaling_initializer(
    scale=1.0,
    mode='fan_in',
    distribution='normal',
    seed=None,
    dtype=tf.float32
)

# 初始化引數
scale: Scaling factor (positive float).
mode: One of “fan_in”, “fan_out”, “fan_avg”.
distribution: Random distribution to use. One of “normal”, “uniform”.

# 1、當 distribution=“normal” 的時候：
生成 truncated normal distribution（截斷正態分佈）的隨機數，其中mean = 0, stddev = sqrt(scale / n)，
n 的計算與 mode 引數有關：
如果mode = “fan_in”， n 為輸入單元的結點數
如果mode = “fan_out”，n 為輸出單元的結點數
如果mode = “fan_avg”,n 為輸入和輸出單元結點數的平均值

# 2、當distribution="uniform”的時候：
生成均勻分佈的隨機數，假設分佈區間為[-limit, limit]，則limit = sqrt(3 * scale / n)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

# 又稱 Xavier uniform initializer
tf.glorot_uniform_initializer(
    seed=None,
    dtype=tf.float32
)

# It draws samples from a uniform distribution within [a=-limit, b=limit]
limit： sqrt(6 / (fan_in + fan_out))
fan_in：the number of input units in the weight tensor
fan_out：the number of output units in the weight tensor
mean = (b + a) / 2
stddev = (b - a)**2 /12

# 又稱 Xavier normal initializer
tf.glorot_normal_initializer(
seed=None,
dtype=tf.float32
)

# It draws samples from a truncated normal distribution centered on 0 with
# stddev = sqrt(2 / (fan_in + fan_out))
fan_in：the number of input units in the weight tensor
fan_out：the number of output units in the weight tensor

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

三、 Tensor 初始化及訪問

1、Constants 初始化

• Constants are initialized when you call tf.constant, and their value can never change.

2、Variables 初始化

• Variables are not initialized when you call tf.Variable. To initialize all the variables in a TensorFlow program, you must explicitly call a special operation as follows:

  # 變數使用前一定要初始化
  init = tf.global_variables_initializer() # 初始化全部變數
  sess.run(init)
  

# 使用變數的 initializer 屬性初始化
sess.run(v.initializer)

• 1
• 2
• 3
• 4
• 5
• 6

# Create another variable with the same value as ‘weights’.
w2 = tf.Variable(weights.initialized_value(), name=“w2”)

# Create another variable with twice the value of ‘weights’
w_twice = tf.Variable(weights.initialized_value() * 0.2, name=“w_twice”)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

3、Tensor 的訪問

• 索引
  • 一維 Tensor 的索引和 Python 列表類似(可以逆序索引(arr[ : : -1])和負索引arr[-3])
  • 二維 Tensor 的索引： arr[i, j] == arr[i][j]
  • 在多維 Tensor 中，如果省略了後面的索引，則返回的物件會是一個維度低一點的ndarray(但它含有高一級維度上的某條軸上的所有資料)
  • 條件索引：arr[conditon] # conditon 可以使用 & | 進行多條件組合
• 切片
  • 一維 Tensor 的切片和 Python 列表類似
  • 二維 Tensor 的索引：arr[r1:r2, c1:c2:step] # 也可指定 step 進行切片

四、Tensor 常用屬性

• dtype

  • tf.float32/64、tf.int8/16/32/64
  • tf.string、tf.bool、tf.complex64、tf.qint8
  • 不帶小數點的數會被預設為tf.int32，帶小數點的會預設為tf.float32
  • 可使用tf.cast(x, dtype, name=None)轉換資料型別

• shape

  • Tensor 的 shape 刻畫了張量每一維的長度，張量的維數由tf.rank(tensor)來表示
    

    相關推薦

    TensorFlow 的資料模型-----張量(Tensor)

    作者：man_world 原文地址：https://blog.csdn.net/mzpmzk/article/details/78636137 Tensor 定義 A Tensor is a symbolic handle to one of the outputs of a

    3、TensorFlow 的資料模型-----張量(Tensor)

    一、Tensor 類簡介 Tensor 定義 A Tensor is a symbolic handle to one of the outputs of an Operation. It do

    TensorFlow入門(二) TensorFlow資料模型——張量

    1.2 TensorFlow資料模型——張量 1.2.1 張量的概念 在TensorFlow程式中，所有的資料都通過張量的形式來表示。從功能角度上看，張量可以簡單理解為多維陣列，其中零階張量表示為標量（scalar），也就是一個數（張量的型別也可以是字串）;第一階張量為向

    tensorflow中張量(tensor)的屬性——維數(階)、形狀和資料型別

    tensorflow的命名來源於本身的執行原理，tensor(張量)意味著N維陣列，flow（流）意味著基於資料流圖的計算，所以tensorflow字面理解為張量從流圖的一端流動到另一端的計算過程。

    tensorflow 中，修改張量tensor特定元素的值

    tensorflow中：                    constant tensor不能直接賦值，否則會報

    對tensorflow中張量tensor的理解與tf.argmax()函式的用法

    對tensorflow中張量tensor的理解： 一維張量： 如a=[1., 2., 3., 0., 9., ]，其shape為(5,)，故當我們選擇維度0時（張量的維度總是從第0個維度開始），實際上是在a的最外層括號上進行操作。 我們畫圖來表示： 二維張量： 如b=[

    TensorFlow之張量(tensor)

    張量(tensor) 在Tensorflow中，所有資料都通過張量的形式來表示，從功能上看，張量可以簡單的被理解為多維陣列。其中零階張量表示標量（scalar），也就是一個數；第一階張量為向量（vector）,也就是一個一維陣列；同理第n階張量就是n維陣列。 但是張量

    tensorflow中的 張量（tensor）與節點操作（OP）

    #所以需要注意的是 張量 不是 節點操作(OP) #tensor1 = tf.matmul(a,b,name='exampleop')    #上面這個  定義的只是一個張量，是在一個靜態的圖(graph)中的 #張量在 定義完成之後是不會進行操作的，想

    神經網路的資料表示- 張量（tensor）

    神經網路使用的資料儲存在多維Numpy陣列中，也叫張量（tensor）。 張量是一個數據容器，張量的維度（dimension）通常叫做軸（axis）。 1. 標量（0D張量） 僅含一個數字的張量叫做標量（scalar，也叫標量張量、零維張量、0D張量）。在Numpy中，一個flo

    如何檢視張量tensor，並將其轉換為numpy資料

    在tensorflow 中一般資料都是用tensor來表示，而在python 中一般是用numpy包，然而有時候需要列印變數的資料，可用以下方法來列印： 一、 import tensorflow as tf a = tf.constant(2.1) #定義tensor常量 with tf

    張量tensor的資料與numpy 資料之間的轉化與列印

    在tensorflow 中一般資料都是用tensor來表示，而在python 中一般是用numpy包，然而有時候需要列印變數的資料，所以下面可以程式碼：import tensorflow as tf from tensorflow.examples.tutorials.mni

    #####tensorflow+入門筆記︱基本張量tensor理解與tensorflow執行結構 ***********######

    Gokula Krishnan Santhanam認為，大部分深度學習框架都包含以下五個核心元件： 張量（Tensor）基於張量的各種操作計算圖（Computation Graph）自動微分（Automatic Differentiation）工具BLAS、cuBLAS、cuDNN等拓展包 . . 一、

    Tensorflow獲取張量Tensor的具體維數

    獲取Tensor的維數 >>> import tensorflow as tf >>> tf.__version__ '1.2.0-rc1' >>> x=tf.placeholder(dtype=f

    TensorFlow筆記-03-張量,計算圖,會話

    result 計算過程 運行 代碼 font fontsize ESS category .html TensorFlow筆記-03-張量,計算圖,會話 搭建你的第一個神經網絡，總結搭建八股 基於TensorFlow的NN：用張量表示數據，用計算圖搭建神經網絡，用會話執行

    不懂錘爆我係列之Tensorflow入門學習—— 張量拓展函式tile()詳解

    第二期，第二期，開始，開始。 在tensorflow中有個很常用的張量擴充套件函式——tile()，看過了許多講解部落格之後，覺得有必要系統的進行一下整理。同時，我將講解一維、二維、乃至多維張量使用tile()的運算過程與規則。 下面，我們還是以一段程式碼為例： imp

    TensorFlow輸出列印張量操作

     1、簡單地使用Session會話，計算完畢後，需要關閉會話 >>> hello = tf.constant('Hello TensorFlow') >>> sess = tf.Session() >>> print(sess.ru

    淺談什麼是張量tensor

    淺談什麼是張量tensor 也許你已經下載了TensorFlow，而且準備開始著手研究深度學習。但是你會疑惑：TensorFlow裡面的Tensor，也就是“張量”，到底是個什麼鬼？也許你查閱了維基百科，而且現在變得更加困惑。也許你在NASA教程中看到它，仍然不知道它在說些什麼？問題在於

    TensorFlow之稀疏張量表示

    構造稀疏張量 SparseTensor(indices, values, dense_shape) indices是一個維度為(n, ndims)的2-D int64張量，指定非零元素的位置。比

    TensorFlow中的張量是什麼

    TensorFlow用張量這種資料結構來表示所有的資料.你可以把一個張量想象成一個n維的陣列或列表.一個張量有一個靜態型別和動態型別的維數.張量可以在圖中的節點之間流通.階在TensorFlow系統中，張量的維數來被描述為階.但是張量的階和矩陣的階並不是同一個概念.張量的階（

    Tensorflow學習筆記——張量、圖、常量、變數（一）

    1 張量和圖 TensorFlow是一種採用資料流圖（data flow graphs），用於數值計算的開源軟體庫。其中 Tensor 代表傳遞的資料為張量（多維陣列），Flow 代表使用計算圖進行運算。資料流圖用「結點」（nodes）和「邊」（edges）組成的有向圖來描