4 TensorFlow 张量基础

在本节中，我们将详细介绍 TensorFlow 中的 张量（tensor）基础知识。张量 是 TensorFlow 的核心数据结构，它用来表示多维数组。掌握 张量 的概念对于理解 TensorFlow 的运作非常重要。

1. 什么是张量？

张量 是一种数学对象，可以视为一个多维数组。它可以有不同的维度：

• 标量（0D张量）：单个数字，比如 5。
• 向量（1D张量）：一维数组，比如 [1, 2, 3]。
• 矩阵（2D张量）：二维数组，比如 [[1, 2], [3, 4]]。
• 高维张量（3D及以上张量）：例如，一个形状为 (2, 3, 4) 的张量。

2. 创建张量

在 TensorFlow 中，可以通过多种方法创建张量。以下是一些常见的创建方式：

2.1 从常数创建

import tensorflow as tf

# 创建一个标量
scalar = tf.constant(5)
print(scalar)

# 创建一个向量
vector = tf.constant([1, 2, 3])
print(vector)

# 创建一个矩阵
matrix = tf.constant([[1, 2], [3, 4]])
print(matrix)

# 创建一个高维张量
high_dim_tensor = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(high_dim_tensor)

2.2 创建零张量和单位张量

# 创建一个 2x3 的零张量
zero_tensor = tf.zeros((2, 3))
print(zero_tensor)

# 创建一个 3x3 的单位张量
identity_tensor = tf.eye(3)
print(identity_tensor)

3. 张量的属性

每个张量都有几个属性：

• dtype：张量的数据类型，比如 tf.float32、tf.int32 等。
• shape：张量的形状，表示各维度的大小。
• ndim：张量的维度数量。

可以通过以下方式访问这些属性。

tensor = tf.constant([[1, 2], [3, 4]])

print("数据类型：", tensor.dtype)
print("形状：", tensor.shape)
print("维度数量：", tensor.ndim)

4. 张量操作

TensorFlow 提供了大量的张量操作。以下是一些常见的操作示例：

4.1 张量加法

a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
result = tf.add(a, b)

print("加法结果：", result)

4.2 张量乘法

a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
result = tf.matmul(a, b)

print("矩阵乘法结果：", result)

4.3 张量切片

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
slice_tensor = tensor[0:2, 1:3]  # 取前两行和第二、第三列
print("张量切片结果：", slice_tensor)

5. 张量与 NumPy 的互操作性

TensorFlow 张量可以方便地与 NumPy 数组进行转换：

import numpy as np

# 从 NumPy 数组创建张量
numpy_array = np.array([[1, 2], [3, 4]])
tensor_from_numpy = tf.convert_to_tensor(numpy_array)

print("从 NumPy 创建的张量：", tensor_from_numpy)

# 从张量转为 NumPy 数组
numpy_array_from_tensor = tensor_from_numpy.numpy()
print("从张量转换的 NumPy 数组：", numpy_array_from_tensor)

6. 小结

在本节中，我们详细介绍了 TensorFlow 中 张量 的基础知识。我们学习了如何创建张量、张量的属性、常见的张量操作，以及如何与 NumPy 进行互操作。理解这些基础概念将为后续深入学习 TensorFlow 打下坚实基础。

接下来，我们将探索更高级的 TensorFlow 主题，比如自动微分、神经网络构建等。