（第一章第四部分）TensorFlow框架之张量

系列博客链接：

（一）TensorFlow框架介绍：https://www.cnblogs.com/kongweisi/p/11038395.html

（二）TensorFlow框架之图与TensorBoard：https://www.cnblogs.com/kongweisi/p/11038517.html

（三）TensorFlow框架之会话：https://www.cnblogs.com/kongweisi/p/11038550.html

本文概述：

• 知道常见的TensorFlow创建张量
• 知道常见的张量数学运算操作
• 说明numpy的数组和张量相同性
• 说明张量的两种形状改变特点
• 应用set_shape和tf.reshape实现张量形状的修改
• 应用tf.matmul实现张量的矩阵运算修改
• 应用tf.cast实现张量的类型

1、张量(Tensor)

TensorFlow 的张量就是一个 n 维数组， 类型为tf.Tensor。Tensor具有以下两个重要的属性

• type:数据类型
• shape:形状(阶)

1.1张量的类型

1.2 张量的阶

形状有0阶、1阶、2阶….

tensor1 = tf.constant(4.0)
tensor2 = tf.constant([1, 2, 3, 4])
linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

print(tensor1.shape)
# 0维：()   1维：(10, )   2维：(3, 4)   3维：(3, 4, 5)

2、创建张量的指令

• 固定值张量

• 随机值张量

其它特殊的创建张量的op

• tf.Variable
• tf.placeholder

3、张量的变换

3.1 类型改变

3.2 形状改变

TensorFlow的张量具有两种形状变换，动态形状和静态形状

• tf.reshape
• tf.set_shape

关于动态形状和静态形状必须符合以下规则

• 动态性状（创建新的修改后的张量，原张量不变）

• tf.reshape()动态创建新张量时，张量的元素个数必须匹配

• 静态形状（修改本身）

• • 转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状（常常结合placeholder使用，将原来不确定的形状，确定下来）
  • 对于已经固定的张量的静态形状的张量，不能再次设置静态形状

# 一阶
tensor1 = tf.constant([1, 2, 3, 4])
# 二阶
plt = tf.placeholder(tf.float32, [None, 4])
# tensor2 = tf.constant(11.0) 标量

# tensor1.set_shape([2, 2])  错误，不能从一维（一阶）修改为二维（二阶）

# 自己修改自己
plt.set_shape([3, 4])

# 这个时候就可以用reshape啦，创建了一个新的张量，由3行4列--->4行3列
new_tensor = tf.reshape(plt, [4, 3])

print(plt, new_tensor)
# 打印的形状,在定义数据的时候形状使用[]
# 不确定的形状:（？， 4）

with tf.Session() as sess:
    print(sess.run(tensor1))

4、张量的数学运算

• 算术运算符
• 基本数学函数
• 矩阵运算
• reduce操作
• 序列索引操作

详细请参考: https://www.tensorflow.org/versions/r1.7/api_guides/python/math_ops