下载掌阅APP，畅读海量书库
立即打开
张量是TensorFlow中一个非常重要的概念，接下来就详细介绍什么是张量。
如果一个物理量，无论从哪个方向看都只是一个单值，那么它就是普通的标量，典型的例子如密度、温度等。如果从不同的方向看，它有不同的值，即在统一参考系下的不同坐标轴上有不同的投影值，那么它就是张量，典型的例子如力、速度、数字图像等。
用一句话解释，那就是张量是有大小和方向的量。这里的方向是指张量的阶或维度。
在TensorFlow程序中所有的数据都用张量的形式表示，如数组、矩阵、列表等。
其中，零维张量表示标量，也就是一个数；一维张量为向量（图2-11），也就是一维数组；二维张量可以用一个矩阵表示（图2-12）；三维张量是由多个矩阵平面组成的“立方体”，好像一块积木（图2-13）。
图2-11 一维张量
图2-12 二维张量
图2-13 三维张量
如果把三维张量看成一个立方体（图2-14），就可以进一步构造更高维的张量。例如，若干个三维张量“立方体”排列起来，就构成了四维张量；多个四维张量排列起来，就构成了五维张量（图2-15）。本书中最多用到四维张量。
图2-14 把三维张量看成一个立方体
图2-15 四维、五维张量
在TensorFlow中，定义张量的方式有很多种，本书推荐使用Numpy定义张量，手动为张量每个维度的每个元素赋值。Numpy是一个专门为数组运算而设计的科学计算软件包，它提供了许多高级的数值计算功能。Numpy与TensorFlow是集成在一起的。
下面举例说明如何在代码中用Numpy定义张量。
在上述代码中，首先导入Numpy模块，然后通过np.array（）方法定义一维张量x、一维张量y、二维张量z。可能有些读者还不知道如何确定张量的维数，接下来就通过学习张量的形状，搞清楚张量的维数等问题。
张量的形状是用包含有序整数集的列表（List）或元组（Tuple）表示的。形状列表的元素数量即张量的维数，元素数值即每一维的长度。熟练掌握张量的形状，是理解TensorFlow的重要基础。
要查看张量的形状，需要用到shape（）方法。依然采用前面的案例，下面添加打印张量x、y、z的形状的代码。
输出结果如下：
其中，（1，）表示张量x的维数为1，且该维度有1个元素；（5，）表示张量y的维数为1，该维度有5个元素；（2， 3）表示张量z的维数为2，第一维有2个元素，第二维有3个元素。
再看一个稍微复杂的例子，以加深对张量形状的理解。
输出结果如下：
下面对上述代码进行解释。
这是张量x的定义，它的形状为shape=（0，），表示x是零维张量，也就是标量。
这是张量y的定义，它的形状为shape=（1，），说明y是一维张量；（3，）代表张量y的第1维有3个元素。
这是张量z的定义，shape=（2，）表示z是二维张量；（3， 5）代表它的第1维有3个元素，第2维有5个元素。
上述代码定义了张量m，它的形状为shape=（3，），表示m为三维张量；（2， 3， 5）表示m的第1维有2个元素，第2维有3个元素，第3维有5个元素。
像z、m这种复杂张量的形状，有什么简单的方法去辨识吗？当然有，这个简单的方法就是找方括号和逗号。从外到内，每一层方括号代表一个维度；每一层方括号中用逗号分成了几部分，就代表这个维度有几个元素。下面按照此方法，重新分析一下张量z。
首先找到代表第1维的最外层方括号，其中由2个逗号分隔出3个元素，这表示第1维有3个元素。
接下来，在第1维的3个元素中任取一个，找到代表第2维的方括号，其中由4个逗号分隔出5个元素，这表示第2维有5个元素。
再往里已经没有方括号了，因此张量z为二维张量，第1维有3个元素，第2维有5个元素。