10 TensorFlow的核心数据结构：张量的创建与操作
在我们了解了第三章的会话使用之后，接下来我们将深入探讨TensorFlow的核心数据结构，也就是张量（Tensor）。张量是TensorFlow的基础，所有的计算都围绕着张量进行。在这一章节，我们将学习如何创建和操作张量，从而为后续的深度学习模型奠定基础。
4.1 张量的创建与操作
什么是张量？
张量是多维数组的一个通用概念。它可以是一维的、二维的、三维的，甚至更高维的数组，张量的维度称为其“阶”（rank）。在NumPy中，我们使用ndarray来表示数组，而在TensorFlow中，我们使用张量来表示数据。
- 标量（0D张量）：一个单一数值，例如：
3。 - 向量（1D张量）：一个数值的序列，例如：
[1, 2, 3]。 - 矩阵（2D张量）：一个数值的二维数组，例如：
[[1, 2], [3, 4]]。 - 高维张量（3D张量及以上）：例如一个立方体结构，包含多个矩阵。
创建张量
在TensorFlow中，我们可以使用多种方法创建不同类型的张量。以下是几个常用的方法：
-
用常量创建张量： 使用
tf.constant函数来创建固定的张量。import tensorflow as tf # 创建一个标量张量 scalar_tensor = tf.constant(3) print(scalar_tensor) # 输出：tf.Tensor(3, shape=(), dtype=int32) # 创建一个一维张量 vector_tensor = tf.constant([1, 2, 3]) print(vector_tensor) # 输出：tf.Tensor([1 2 3], shape=(3,), dtype=int32) # 创建一个二维张量 matrix_tensor = tf.constant([[1, 2], [3, 4]]) print(matrix_tensor) # 输出：tf.Tensor([[1 2] [3 4]], shape=(2, 2), dtype=int32) -
使用随机函数创建张量： 可以使用
tf.random函数生成随机值的张量。# 创建一个二维的随机张量 random_tensor = tf.random.uniform(shape=(2, 3), minval=0, maxval=10) print(random_tensor) -
使用零和单位矩阵： TensorFlow还提供了
tf.zeros和tf.ones来创建全零或全一的张量。# 创建全零张量 zeros_tensor = tf.zeros(shape=(2, 2)) print(zeros_tensor) # 输出：tf.Tensor([[0. 0.] [0. 0.]], shape=(2, 2), dtype=float32) # 创建全一张量 ones_tensor = tf.ones(shape=(2, 3)) print(ones_tensor) # 输出：tf.Tensor([[1. 1. 1.] [1. 1. 1.]], shape=(2, 3), dtype=float32)
张量的操作
接下来，我们查看如何对这些张量进行基本的操作。
-
基本数学运算： 张量支持基本的数学运算，例如加法、减法、乘法和除法等。
a = tf.constant([1, 2, 3]) b = tf.constant([4, 5, 6]) # 向量加法 c = a + b print(c) # 输出：tf.Tensor([5 7 9], shape=(3,), dtype=int32) # 逐元素乘法 d = a * b print(d) # 输出：tf.Tensor([ 4 10 18], shape=(3,), dtype=int32) -
矩阵运算： 对于二维张量，可以执行如矩阵乘法这样的运算。
matrix_a = tf.constant([[1, 2], [3, 4]]) matrix_b = tf.constant([[5, 6], [7, 8]]) # 矩阵乘法 matrix_c = tf.matmul(matrix_a, matrix_b) print(matrix_c) # 输出：tf.Tensor([[19 22] [43 50]], shape=(2, 2), dtype=int32) -
张量的转置与重塑： 使用
tf.transpose和tf.reshape可以改变张量的形状。# 转置 transposed = tf.transpose(matrix_a) print(transposed) # 输出：tf.Tensor([[1 3] [2 4]], shape=(2, 2), dtype=int32) # 重塑 reshaped = tf.reshape(matrix_a, (4,)) print(reshaped) # 输出：tf.Tensor([1 2 3 4], shape=(4,), dtype=int32)
小结
在本节中，我们学习了张量的基本概念、如何创建张量以及如何进行基本的操作。这些是使用TensorFlow进行深度学习和机器学习的基石。掌握张量的创建和操作，将为你后续的学习打下坚实的基础。
在下一章，我们将探讨Numpy与TensorFlow的关系，这将帮助我们理解如何将NumPy数据与TensorFlow无缝结合。同时，请记住，TensorFlow与NumPy在许多方面是相似的，但也有重要的区别，这将对我们的学习有很大帮助。
