[数据结构与算法]1-1 张量数据结构

程序 = 数据结构 + 算法。

TensorFlow程序 = 张量数据结构 + 计算图算法语言

• 张量：即Tensorflow的基本数据结构，张量（Tensor）即多维数组
• 计算图：TensorFlow的所有计算都会被转化为计算图上的节点

前面已经介绍过，张量即多维数组。

标量为0维张量，向量为1维张量，矩阵为2维张量。彩色图像有rgb三个通道，可以表示为3维张量。视频还有时间维，可以表示为4维张量。

可以简单地总结为：有几层中括号，就是多少维的张量。

scalar = tf.constant(True)  # 标量, 0维张量
vector = tf.constant([1.0, 2.0, 3.0, 4.0])  # 向量, 1维张量
matrix = tf.constant([[1.0, 2.0], [3.0, 4.0]])  # 矩阵, 2维张量
tensor3 = tf.constant([[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0], [7.0, 8.0]]])  # 3维张量

tf.rank() 用来返回张量的秩。需要注意的是，张量的秩与矩阵的秩不一样。张量的秩是唯一选择张量的每个元素所需的索引的数量。秩也被称为 “order”,“degree” 或 “ndims”。这里张量的秩，可以直接理解维度，就是说这个张量是几维的，它不是矩阵的秩也不是数组的shape，简单的理解，可以它就是中括号的层数。

with tf.Session() as sess:
    print(sess.run(tf.rank(scalar)))
    print(sess.run(tf.rank(vector)))
    print(sess.run(tf.rank(matrix)))
    print(sess.run(tf.rank(tensor3)))

输出

0
1
2
3

从行为特性来看，有两种类型的张量，常量constant和变量Variable

1 常量张量

常量张量：计算图中不可以被重新赋值

import tensorflow as tf

i = tf.constant(1)  # tf.int32 类型常量
l = tf.constant(1, dtype=tf.int64)  # tf.int64 类型常量
f = tf.constant(1.23)  #tf.float32 类型常量
d = tf.constant(3.14, dtype=tf.double)  # tf.double 类型常量
s = tf.constant("hello world")  # tf.string类型常量
b = tf.constant(True)  #tf.bool类型常量

可以用tf.cast()改变张量的数据类型。

h = tf.constant([123, 456], dtype=tf.int32)
f = tf.cast(h, tf.float32)
print(h.dtype)
print(f.dtype)

<dtype: 'int32'>
<dtype: 'float32'>

进行类型转换时，需要保证转换操作的合法性，例如将高精度的张量转换为低精度的张量时，可能发生数据溢出隐患：

num = tf.constant(123456789, dtype=tf.int32)
tf.cast(num, tf.int16))

！！！！！这个地方我可能写得不对，不确定c = c + …能不能这么写

# 常量值不可以改变，常量的重新赋值相当于创造新的内存空间
c = tf.constant([1.0,2.0])

with tf.Session() as sess:
    print(sess.run(c))
    print(id(c))
    c = c + tf.constant([1.0, 1.0])
    print(sess.run(c))
    print(id(c))

输出

[1. 2.]
140336520958752
[2. 3.]
140336520960880

2 变量张量

变量张量：计算图中可以用assign等算子重新赋值。

模型中需要被训练的参数一般被设置成变量。

Variable类型对象不能直接输出，因为当前对象只是一个定义。这里还需要解释一下。

v = tf.Variable([1.0,2.0],name = "v")
v.assign_add([1.0,1.0])