原文：
www.kdnuggets.com/2020/11/mastering-tensorflow-tensors-5-easy-steps.html
评论
作者 Orhan G. Yalçın，AI 研究员
如果你正在阅读这篇文章，我相信我们有相似的兴趣，并且在相似的行业中。那就通过 Linkedin 来联系吧！请不要犹豫发送联系请求！ Orhan G. Yalçın — Linkedin
照片由 Esther Jiao 提供，来自 Unsplash
在这篇文章中，我们将深入探讨 TensorFlow 张量 的细节。我们将通过这五个简单步骤涵盖所有与 TensorFlow 张量相关的主题：
-
**步骤 I：张量的定义 → ** 张量是什么？
-
**步骤 II：张量的创建 → ** 创建张量对象的函数
-
**步骤 III：张量的资格 → ** 张量对象的特征和属性
-
**步骤 IV：与张量的操作 → ** 索引、基本张量操作、形状调整和广播
-
**步骤 V：特殊类型的张量 → ** 除了常规张量的特殊张量类型
让我们开始吧！
图 1. 三阶张量的可视化（图由作者提供）
张量是 TensorFlow 的多维数组，具有统一的数据类型。它们与 NumPy 数组非常相似，并且是不可变的，这意味着一旦创建后不能被更改。你只能创建一个新的副本并进行编辑。
让我们看看张量如何通过代码示例工作。但首先，为了处理 TensorFlow 对象，我们需要导入 TensorFlow 库。我们经常与 TensorFlow 一起使用 NumPy，所以也需要用以下几行导入 NumPy：
创建 tf.Tensor 对象有几种方法。让我们从几个示例开始。你可以使用多个 TensorFlow 函数来创建张量对象，如下面的示例所示：
tf.constant、tf.ones、tf.zeros 和 tf.range 是你可以用来创建张量对象的一些函数
**Output:**
tf.Tensor([[1 2 3 4 5]], shape=(1, 5), dtype=int32)
tf.Tensor([[1\. 1\. 1\. 1\. 1.]], shape=(1, 5), dtype=float32)
tf.Tensor([[0\. 0\. 0\. 0\. 0.]], shape=(1, 5), dtype=float32)
tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)如你所见，我们使用三种不同的函数创建了形状为 （1, 5） 的张量对象，并使用 tf.range() 函数创建了一个形状为 （5,） 的第四个张量对象。请注意，tf.ones 和 tf.zeros 接受形状作为必需的参数，因为它们的元素值是预先确定的。
TensorFlow 张量被创建为 tf.Tensor 对象，它们有几个特征。首先，它们的秩基于维度数量。其次，它们有一个形状，一个由所有维度长度组成的列表。所有张量都有一个大小，即张量内元素的总数。最后，它们的元素都记录在统一的数据类型中。让我们更详细地了解这些特征。
张量根据它们的维度数量进行分类：
-
秩-0（标量）张量： 一个包含单个值且没有轴（0 维）的张量；
-
秩-1 张量： 一个包含单个轴（1 维）中的值列表的张量；
-
秩-2 张量： 一个包含 2 个轴（2 维）的张量；以及
-
秩-N 张量： 一个包含 N 个轴（N 维）的张量。
图 2. 秩-1 张量 | 秩-2 张量 | 秩-3 张量（作者提供的图）
例如，我们可以通过将一个三层嵌套列表对象传递给 tf.constant 函数来创建一个秩-3 张量。对于这个例子，我们可以将数字分割成一个每层有三个元素的三层嵌套列表：
创建一个秩-3 张量对象的代码
**Output:** tf.Tensor( [[[ 0 1 2]
[ 3 4 5]]
[[ 6 7 8]
[ 9 10 11]]],
shape=(2, 2, 3), dtype=int32)我们可以通过 .ndim 属性查看我们当前的 rank_3_tensor 对象的维度数量。
**Output:** The number of dimensions in our Tensor object is 3形状特征是每个张量都有的另一个属性。它以列表形式显示每个维度的大小。我们可以通过 .shape 属性查看我们创建的 rank_3_tensor 对象的形状，如下所示：
**Output:** The shape of our Tensor object is (2, 2, 3)如你所见，我们的张量在第一层有 2 个元素，在第二层有 2 个元素，在第三层有 3 个元素。
大小是张量的另一个特征，意味着张量中的元素总数。我们不能用张量对象的属性来测量大小。相反，我们需要使用 tf.size() 函数。最后，我们将输出转换为 NumPy，以通过实例函数 .numpy() 获取更可读的结果：
**Output:** The size of our Tensor object is 12张量通常包含数值数据类型，如浮点数和整数，但也可能包含许多其他数据类型，如复数和字符串。
然而，每个张量对象必须以单一的统一数据类型存储所有元素。因此，我们还可以通过 .dtype 属性查看特定张量对象所选择的数据类型，如下所示：
**Output:** The data type selected for this Tensor object is <dtype: 'int32'>索引是项目在序列中的位置的数值表示。这个序列可以指代许多事物：一个列表、一个字符字符串或任何任意的值序列。
TensorFlow 还遵循标准的 Python 索引规则，这与列表索引或 NumPy 数组索引类似。
关于索引的一些规则：
-
索引从零（0）开始。
-
负索引（“ -n”）值表示从末尾向后计数。
-
冒号（“：”）用于切片：
start:stop:step。 -
逗号（“，”）用于达到更深的层次。
让我们用以下代码行创建一个 rank_1_tensor：
**Output:**
tf.Tensor([ 0 1 2 3 4 5 6 7 8 9 10 11],
shape=(12,), dtype=int32)并测试我们的规则第 1 条、第 2 条和第 3 条：
**Output:**
First element is: 0
Last element is: 11
Elements in between the 1st and the last are: [ 1 2 3 4 5 6 7 8 9 10]现在，让我们用以下代码创建我们的 rank_2_tensor 对象：
**Output:** tf.Tensor( [[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]], shape=(2, 6), dtype=int32)并用几个示例测试第四条规则：
**Output:**
The first element of the first level is: [0 1 2 3 4 5]
The second element of the first level is: [ 6 7 8 9 10 11]
The first element of the second level is: 0
The third element of the second level is: 2现在，我们已经覆盖了索引的基础知识，让我们来看看我们可以对 Tensor 执行的基本操作。
你可以轻松地对 Tensor 执行基本数学操作，例如：
-
加法
-
元素级乘法
-
矩阵乘法
-
查找最大值或最小值
-
查找最大元素的索引
-
计算 Softmax 值
让我们看看这些操作的实际效果。我们将创建两个 Tensor 对象并应用这些操作。
我们可以从加法开始。
**Output:** tf.Tensor( [[ 3\. 7.]
[11\. 15.]], shape=(2, 2), dtype=float32)让我们继续进行元素级乘法。
**Output:** tf.Tensor( [[ 2\. 12.]
[30\. 56.]], shape=(2, 2), dtype=float32)我们还可以进行矩阵乘法：
**Output:** tf.Tensor( [[22\. 34.]
[46\. 74.]], shape=(2, 2), dtype=float32)注意： Matmul 操作是深度学习算法的核心。因此，尽管你不会直接使用 matmul，但了解这些操作至关重要。
我们上面列出的其他操作示例：
**Output:**
The Max value of the tensor object b is: 7.0
The index position of the Max of the tensor object b is: [1 1]
The softmax computation result of the tensor object b is: [[0.11920291 0.880797 ] [0.11920291 0.880797 ]]就像在 NumPy 数组和 pandas DataFrames 中一样，你也可以重塑 Tensor 对象。
tf.reshape 操作非常快，因为底层数据不需要重复。对于重塑操作，我们可以使用tf.reshape() 函数。让我们在代码中使用 tf.reshape 函数：
**Output:** The shape of our initial Tensor object is: (1, 6)
The shape of our initial Tensor object is: (6, 1)
The shape of our initial Tensor object is: (3, 2)
The shape of our flattened Tensor object is: tf.Tensor([1 2 3 4 5 6], shape=(6,), dtype=int32)正如你所见，我们可以轻松地重塑我们的 Tensor 对象。但要注意，在进行重塑操作时，开发人员必须合理操作。否则，Tensor 可能会混乱或甚至引发错误。因此，留意这一点 ????。
当我们尝试使用多个 Tensor 对象进行组合操作时，较小的 Tensor 可以自动扩展以适应较大的 Tensor，就像 NumPy 数组一样。例如，当你尝试将标量 Tensor 与二阶 Tensor 相乘时，标量会被扩展以与每个二阶 Tensor 元素相乘。请参见下面的示例：
**Output:** tf.Tensor( [[ 5 10]
[15 20]], shape=(2, 2), dtype=int32)由于广播，你在对 Tensor 进行数学操作时无需担心匹配尺寸的问题。
我们倾向于生成矩形形状的 Tensor 并将数值作为元素存储。然而，TensorFlow 也支持不规则或特殊类型的 Tensor，具体包括：
-
不规则 Tensor
-
字符串 Tensor
-
稀疏 Tensor
图 3. 不规则 Tensor | 字符串 Tensor | 稀疏 Tensor（图由作者提供）
让我们仔细看看它们每一个是什么。
不规则 Tensor 是在大小轴上具有不同元素数量的 Tensor，如图 X 所示。
你可以构建一个不规则 Tensor，如下所示：
**Output:** <tf.RaggedTensor [[1, 2, 3],
[4, 5],
[6]]>字符串 Tensor 是存储字符串对象的 Tensor。我们可以像创建普通 Tensor 对象一样创建一个字符串 Tensor。但是，我们传递的是字符串对象作为元素，而不是数值对象，如下所示：
**Output:**
tf.Tensor([b'With this'
b'code, I am'
b'creating a String Tensor'],
shape=(3,), dtype=string)最后，稀疏张量是用于稀疏数据的矩形张量。当数据中有空洞（即空值）时，稀疏张量是首选对象。创建一个稀疏张量有点耗时，并且应该更为普及。不过，以下是一个示例：
**Output:**
tf.Tensor( [[ 25 0 0 0 0]
[ 0 0 0 0 0]
[ 0 0 50 0 0]
[ 0 0 0 0 0]
[ 0 0 0 0 100]], shape=(5, 5), dtype=int32)我们已经成功覆盖了 TensorFlow 的 Tensor 对象基础知识。
给自己一个奖励吧！
这应该会让你更有信心，因为你现在对 TensorFlow 框架的构建块有了更多了解。
查看 本教程系列的第一部分:
了解 TensorFlow 平台及其对机器学习专家的提供
继续阅读 系列第三部分:
了解如何使用 TensorFlow 变量，它们与普通 Tensor 对象的区别，以及何时优于…
如果你希望访问 Google Colab 上的完整代码和我最新的内容，请考虑订阅邮件列表：
滑动以订阅我的通讯
最后，如果你对应用深度学习教程感兴趣，可以查看我的一些文章：
使用卷积神经网络对手写数字进行分类，采用 TensorFlow 和 Keras | 监督深度学习
使用无监督深度学习生成手写数字，采用 TensorFlow 和深度卷积 GANs
使用深度卷积自编码器清洁（或去噪）噪声图像，借助 Fashion MNIST | 无监督…
如果你能够预测明天的比特币 (BTC) 价格，那不是太棒了吗？加密货币市场有…
简介：Orhan G. Yalçın 是法律领域的 AI 研究员。他是一位合格的律师，拥有商业发展和数据科学技能，曾在 Allen & Overy 担任法律实习生，处理资本市场、竞争和公司法事务。
原文。已获许可转载。
相关：
-
什么是张量？！?
-
TensorFlow 2 入门
-
你应该知道的 PyTorch 最重要基础知识
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 工作