Tensors

张量

正如名称所示，TensorFlow是定义和运行涉及张量的计算的框架。张量是向量和矩阵的一般化到潜在的更高的尺寸。在内部，TensorFlow将张量表示为基本数据类型的n维数组。

在编写一个TensorFlow程序时，你操作和传递的主要对象是tf.Tensor。一个tf.Tensor对象表示一个部分定义的计算，最终会产生一个值。TensorFlow程序首先建立一个tf.Tensor对象图，详细说明如何基于其他可用张量计算每个张量，然后运行该图的部分内容以获得期望的结果。

tf.Tensor具有以下属性：

• a data type (float32, int32, or string, for example)

• a shape

张量中的每个元素都具有相同的数据类型，并且数据类型总是已知的。形状（即它的尺寸数量和每个尺寸的大小）可能只是部分已知的。如果其输入的形状也是完全已知的，则大多数操作会产生完全已知形状的张量，但在某些情况下，只能在图形执行时找到张量的形状。

某些类型的张量是特殊的，这些将在程序员指南的其他单元中介绍。主要的是：

• tf.Variable

• tf.Constant

• tf.Placeholder

• tf.SparseTensor

除了tf.Variable张量的值是不变的，这意味着在单个执行张量的上下文中只有一个值。然而，两次评估相同的张量可能会返回不同的值; 例如张量可以是从磁盘读取数据或生成随机数的结果。

秩

秩一的tf.Tensor对象是其尺寸的数量。等级的同义词包括顺序或程度或n维。请注意，TensorFlow中的排名与数学中的矩阵排名并不相同。如下表所示，TensorFlow中的每个等级都对应一个不同的数学实体：

Rank 0

以下片段演示了如何创建几个0级变量：

mammal = tf.Variable("Elephant", tf.string)
ignition = tf.Variable(451, tf.int16)
floating = tf.Variable(3.14159265359, tf.float64)
its_complicated = tf.Variable((12.3, -4.85), tf.complex64)

注意：字符串在TensorFlow中被视为单个项目，而不是字符序列。可以有标量字符串，字符串向量等。

秩1

要创建一个秩1的tf.Tensor对象，您可以传递一个项目列表作为初始值。例如：

mystr = tf.Variable(["Hello"], tf.string)
cool_numbers  = tf.Variable([3.14159, 2.71828], tf.float32)
first_primes = tf.Variable([2, 3, 5, 7, 11], tf.int32)
its_very_complicated = tf.Variable([(12.3, -4.85), (7.5, -6.23)], tf.complex64)

高阶秩

秩2 tf.Tensor对象由至少一行和至少一列组成：

mymat = tf.Variable([[7],[11]], tf.int16)
myxor = tf.Variable([[False, True],[True, False]], tf.bool)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
rank_of_squares = tf.rank(squarish_squares)
mymatC = tf.Variable([[7],[11]], tf.int32)

更高级的张量同样由一个n维数组组成。例如，在图像处理过程中，会使用许多等级为4的张量，尺寸对应批量示例，图像宽度，图像高度和色彩通道。

my_image = tf.zeros([10, 299, 299, 3])  # batch x height x width x color

获取tf.Tensor对象的等级

要确定tf.Tensor对象的等级，请调用该tf.rank方法。例如，以下方法以编程方式确定tf.Tensor上一节中定义的等级：

r = tf.rank(my3d)
# After the graph runs, r will hold the value 3.

参考tf.Tensor切片

由于tf.Tensor是单元格的n维数组，因此要访问单个单元格，tf.Tensor您需要指定n个索引。

对于0级张量（一个标量），没有指数是必要的，因为它已经是一个单一的数字。

对于秩1张量（矢量），传递单个索引允许您访问一个数字：

my_scalar = my_vector[2]

请注意，如果要从矢量中动态选择元素，则在 [] 内传递的索引[]本身可以是标量tf.Tensor。

对于等级2或更高的张量，情况更加有趣。对于tf.Tensor等级2，通过两个数字返回标量，如预期的那样：

my_scalar = my_matrix[1, 2]

但是，传递一个数字将返回一个矩阵的子向量，如下所示：

my_row_vector = my_matrix[2]
my_column_vector = my_matrix[:, 3]

该:标记是作为“单独离开这个维度”Python切片语法。这在更高等级的张量中很有用，因为它允许你访问它的子向量，子矩阵，甚至其他副本。

形状

张量的形状是每个维度中元素的数量。TensorFlow在图形构建过程中自动推断形状。这些推断的形状可能具有已知或未知的等级。如果排名已知，则每个维度的大小可能是已知的或未知的。

TensorFlow文档使用三种符号约定来描述张量维度：等级，形状和维数。下表显示了它们如何相互关联：

形状可以通过Python列表/元组的int或者tf.TensorShape显示。

获取tf.Tensor对象的形状

有两种方法可以访问tf.Tensor的形状。在构建图形时，询问已知的张量形状通常很有用。这可以通过读取对象的shape属性来完成tf.Tensor。此方法返回一个TensorShape对象，这是一种表示部分指定形状的方便方式（因为在构建图形时并不会完全知道所有形状）。

也可以在运行时得到一个tf.Tensor代表另一个完全定义形状的代码tf.Tensor。这是通过调用tf.shape操作完成的。这样，您可以构建一个图形，通过构建其他张量来控制张量的形状，这些张量取决于输入的动态形状tf.Tensor。

例如，下面是如何制作与给定矩阵中的列数相同大小的零向量的方法：

zeros = tf.zeros(tf.shape(my_matrix)[1])

改变 tf.Tensor的形状

张量元素的数量是其所有形状大小的乘积。标量的元素数量总是1。由于通常有许多不同的形状具有相同数量的元素，因此能够改变tf.Tensor的形状并保持其元素固定通常是方便的。这可以用tf.reshape来完成。

以下示例演示如何重构张量：

rank_three_tensor = tf.ones([3, 4, 5])
matrix = tf.reshape(rank_three_tensor, [6, 10])  # Reshape existing content into
                                                 # a 6x10 matrix
matrixB = tf.reshape(matrix, [3, -1])  #  Reshape existing content into a 3x20
                                       # matrix. -1 tells reshape to calculate
                                       # the size of this dimension.
matrixAlt = tf.reshape(matrixB, [4, 3, -1])  # Reshape existing content into a
                                             #4x3x5 tensor

# Note that the number of elements of the reshaped Tensors has to match the
# original number of elements. Therefore, the following example generates an
# error because no possible value for the last dimension will match the number
# of elements.
yet_another = tf.reshape(matrixAlt, [13, 2, -1])  # ERROR!

数据类型

除维度外，张量具有数据类型。请参阅tf.DataType程序员指南中的页面以获取数据类型的完整列表。

不可能有一个tf.Tensor以上的数据类型。但是，可以将任意数据结构序列化为string并将其存储在tf.Tensor中。

可以使用以下方法将tf.Tensor从一个数据类型转换为另一个数据类型tf.cast：

# Cast a constant integer tensor into floating point.
float_tensor = tf.cast(tf.constant([1, 2, 3]), dtype=tf.float32)

要检查tf.Tensor数据类型，请使用该Tensor.dtype属性。

tf.Tensor从python对象创建时，您可以选择指定数据类型。如果你不这样做，TensorFlow会选择一个可以表示数据的数据类型。TensorFlow将Python整数转换为tf.int32Python浮点数tf.float32。否则，TensorFlow使用numpy在转换为数组时使用的相同规则。

评估 Tensors

一旦计算图建立完毕，您就可以运行生成特定tf.Tensor的计算并获取分配给它的值。这对于调试以及大部分TensorFlow工作都非常有用。

评估张量的最简单方法是使用Tensor.eval方法。例如：

constant = tf.constant([1, 2, 3])
tensor = constant * constant
print tensor.eval()

eval方法仅在默认tf.Session值处于活动状态时才起作用（有关更多信息，请参阅图形和会话）。

Tensor.eval 返回一个与张量的内容相同的numpy数组。

有时不可能评估一个没有背景的tf.Tensor，因为它的值可能取决于不可用的动态信息。例如，依赖于Placeholder的张量不能在没有提供值的情况下进行评估Placeholder。

p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval()  # This will fail, since the placeholder did not get a value.
t.eval(feed_dict={p:2.0})  # This will succeed because we're feeding a value
                           # to the placeholder.

请注意，可以提供任何tf.Tensor，而不仅仅是占位符。

其他模型构造可能会使评估tf.Tensor变得复杂。TensorFlow无法直接评估tf.Tensor定义的函数内部或控制流结构内部。如果tf.Tensor取决于队列中的值，那么评估tf.Tensor只有在某些东西被排列后才会工作; 否则，评估它将被搁置。在处理队列时，请记住tf.train.start_queue_runners在评估任何tf.Tensors 之前先调用。

打印Tensor

出于调试目的，您可能想要打印tf.Tensor的值。虽然tfdbg提供了高级调试支持，但TensorFlow还可以直接打印tf.Tensor的值。

请注意，打a时很少使用以下模式tf.Tensor：

t = <<some tensorflow operation>>
print t  # This will print the symbolic tensor when the graph is being built.
         # This tensor does not have a value in this context.

此代码打印tf.Tensor对象（代表延迟计算）而不是其值。相反，TensorFlow提供了这样的tf.Print操作，该操作返回其第一张张参数，同时打印tf.Tensor作为第二个参数传递的集合。

tf.Print必须正确使用它的返回值。看下面的例子

t = <<some tensorflow operation>>
tf.Print(t, [t])  # This does nothing
t = tf.Print(t, [t])  # Here we are using the value returned by tf.Print
result = t + 1  # Now when result is evaluated the value of `t` will be printed.

当你评估result你会评估一切取决于result。由于result依赖t，并且评估t具有打印其输入（旧值t）的副作用，因此t被打印。