【】tensorflow學習筆記

1、看懂了Tensor("mul_1:0", shape=(), dtype=int32)中的shape

https://blog.csdn.net/u013378306/article/details/56281549

張量的階、形狀、數據類型

 TensorFlow用張量這種數據結構來表示全部的數據.你能夠把一個張量想象成一個n維的數組或列表.一個張量有一個靜態類型和動態類型的維數.張量能夠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爲階.可是張量的階和矩陣的階並非同一個概念.張量的階（有時是關於如順序或度數或者是n維）是張量維數的一個數量描述.好比，下面的張量（使用Python中list定義的）就是2階.

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

你能夠認爲一個二階張量就是咱們日常所說的矩陣，一階張量能夠認爲是一個向量.對於一個二階張量你能夠用語句t[i, j]來訪問其中的任何元素.而對於三階張量你能夠用't[i, j, k]'來訪問其中的任何元素.

階	數學實例	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(數據表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3階張量 (數據立體)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n階 (本身想一想看)	....

形狀

TensorFlow文檔中使用了三種記號來方便地描述張量的維度：階，形狀以及維數.下表展現了他們之間的關係：

階	形狀	維數	實例
0	[ ]	0-D	一個 0維張量. 一個純量.
1	[D0]	1-D	一個1維張量的形式[5].
2	[D0, D1]	2-D	一個2維張量的形式[3, 4].
3	[D0, D1, D2]	3-D	一個3維張量的形式 [1, 4, 3].
n	[D0, D1, ... Dn]	n-D	一個n維張量的形式 [D0, D1, ... Dn].

shape [2,3] 表示爲數組的意思是第一維有兩個元素，第二維有三個元素，如: [[1,2,3],[4,5,6]]

 

 

```python
 # 2-D tensor `a`
 a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3]) => [[1. 2. 3.]
                                                       [4. 5. 6.]]
 # 2-D tensor `b`
 b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2]) => [[7. 8.]
                                                          [9. 10.]
                                                          [11. 12.]]
 c = tf.matmul(a, b) => [[58 64]
                         [139 154]]


 # 3-D tensor `a`
 a = tf.constant(np.arange(1,13), shape=[2, 2, 3]) => [[[ 1.  2.  3.]
                                                        [ 4.  5.  6.]],
                                                       [[ 7.  8.  9.]
                                                        [10. 11. 12.]]]

 # 3-D tensor `b`
 b = tf.constant(np.arange(13,25), shape=[2, 3, 2]) => [[[13. 14.]
                                                         [15. 16.]
                                                         [17. 18.]],
                                                        [[19. 20.]
                                                         [21. 22.]
                                                         [23. 24.]]]
 c = tf.matmul(a, b) => [[[ 94 100]
                          [229 244]],
                         [[508 532]
                          [697 730]]]

 tensorflow中有一類在tensor的某一維度上求值的函數，

 如：

求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)

求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

參數（1）input_tensor:待求值的tensor。

參數（2）reduction_indices:在哪一維上求解。

參數（3）（4）可忽略

舉例說明：

 # 'x' is [[1., 2.]

# [3., 4.]]

x是一個2維數組，分別調用reduce_*函數以下：

 首先求平均值，

 tf.reduce_mean(x) ==> 2.5 #若是不指定第二個參數，那麼就在全部的元素中取平均值

指定第二個參數爲1，則第二維的元素取平均值，即每一行求平均值tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二個參數爲0，則第一維的元素取平均值，即每一列求平均值 tf.reduce_mean(x, 1) ==> [1., 2.] #

同理，還可用tf.reduce_max()求最大值。