tensorflow:理解 rank, shape, type

tensorflow 使用一种叫 tensor 的数据结构去展示所有的数据,我们可以把 tensor 看成是 n 维的 array 或者 list。在 tensorflow 的各部分图形间流动传递的只能是tensor。

rank

rank 就是 tensor 的维数。 例如我们所说的标量(Scalar): s = 8 维数为 0,所以它的 rank 为 0。

例如矢量(Vector): v = [1, 2, 3],rank 为 1。

例如矩阵(Matrix):

1
2
3
4
5
m = [
[1, 1, 1],
[2, 2, 2],
[3, 3, 3]
] # rank 为 2

又例如 rank 为 3 的 tensor:

1
t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]

依次类推……

shape

tensorflow 用 3 种方式描述一个 tensor 的维数: rank, shape, 以及 dimension number (维数) 所以 shape 和 rank 的意思的一样的,只是表达的形式不同。

rank shape dimension
0 [] 0 维
1 [D0] 1 维
2 [D0, D1] 2 维
n [D0, D1, ..., Dn-1] n 维

shape 写成只包含整数的 list 或者 tuple 形式,例如 [1, 4, 2]

data type

tensor 的数据结构除了 维数(dimensionality),还有 数据类型(data type)。 例如 32位浮点数(32 bits floating point) 等等,可以从下面的链接中查看完整的: https://www.tensorflow.org/programmers_guide/dims_types#data_types