机器学习中的张量（通俗优雅的理解）

机器学习中的张量（通俗优雅的理解）

    这边博文主要是来自两篇文章，他们很好的帮助我理解了：什么是张量，机器学习中的张量的问题。

首先是转载链接：

        通俗的理解张量

        tensorflow 中的tensor是什么

第一篇文章这叫是讲解了张量的基本概念，由浅入深的介绍了张量，总结一句话就是：

        不随其他因素变化的用以表示世间万物的量

之所以这样说，是因为他真的可以表示很多很多的物理量，以至于有人称他为：the fact of the universe

第二篇文章主要是结合具体的任务，来对张量进行描述，别切给予了常见的张量表示，加深对张量的理解。总结来说就是：

        在用一个张量表示一个单个样本数据之后，对张量的维度进行扩展，就可以表示一组数据集，通常扩展的这个主要时候表示样本数量。

        结合上一篇文章，机器学习中的张量的阶通常为1.

以上是我的理解，难免有些理解不足，欢迎交流、指正~~~

-----------------------------------------------------------------------180718 更新------------------------------------------------------------------------

tensorflow 中的张量

阶	数学实例	Python 例子
0	纯量 (只有大小)	s = 483
1	向量(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量 (数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶 (自己想想看)	....

TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：

阶	形状	维数	实例
0	[ ]	0-D	一个 0维张量. 一个纯量.
1	[D0]	1-D	一个1维张量的形式[5].
2	[D0, D1]	2-D	一个2维张量的形式[3, 4].
3	[D0, D1, D2]	3-D	一个3维张量的形式 [1, 4, 3].
n	[D0, D1, ... Dn]	n-D	一个n维张量的形式 [D0, D1, ... Dn].

除了维度，Tensors有一个数据类型属性.你可以为一个张量指定下列数据类型中的任意一个类型：

数据类型	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数.
DT_DOUBLE	tf.float64	64 位浮点数.
DT_INT64	tf.int64	64 位有符号整型.
DT_INT32	tf.int32	32 位有符号整型.
DT_INT16	tf.int16	16 位有符号整型.
DT_INT8	tf.int8	8 位有符号整型.
DT_UINT8	tf.uint8	8 位无符号整型.
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL	tf.bool	布尔型.
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型.
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型.
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型.