TensorFlow入门：各种函数中的shape参数

tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。神经网络中的大多数的shape参数都是这种情况。shape参数形式如下：

def weight_variable(shape):
    inital=tf.truncated_normal(shape,stddev=0.1)
    return tf.Variable(inital)

#5*5：patch(卷积核大小)
#1：in_size(图像的厚度)
#32：out_size(图像的厚度)
#32也可以理解为卷积核的个数
W_conv1=weight_variable([5,5,1,32])

tf.constant(value,dtype=None,shape=None,name='Const',verify_shape=False):在这里引入张量的概念。

TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.

张量可以在图中的节点之间流通.

阶

在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）

是张量维数的一个数量描述。

比如，下面的张量（使用Python中list定义的）就是2阶.

    t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素.

而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.

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)	....

形状

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].

shape [2,3] 表示为数组的意思是第一维有两个元素，第二维有三个元素，如: [[1,2,3],[4,5,6]]

1. 

[html]  view plain  copy

1. import tensorflow as tf  
2. a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [3,3])  
3. b = tf.initialize_all_variables()  
4.   
5. with tf.Session() as sess:  
6.     sess.run(b)  
7.     print(sess.run(a))  

输出为：

[html]  view plain  copy

1. [[ 1.  2.  3.]  
2.  [ 4.  5.  6.]  
3.  [ 7.  8.  9.]]  

很好理解。

2.

[python]  view plain  copy

1. import tensorflow as tf  
2. a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3])  
3. b = tf.initialize_all_variables()  
4.   
5. with tf.Session() as sess:  
6.     sess.run(b)  
7.     print(sess.run(a))  

输出为：

[html]  view plain  copy

1. [[[ 1.  2.  3.]  
2.   [ 4.  5.  6.]  
3.   [ 7.  8.  9.]]]  

也很好理解，在例1的外层加一个中括号就行。

3. 

[html]  view plain  copy

1. import tensorflow as tf  
2. a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,1])  
3. b = tf.initialize_all_variables()  
4.   
5. with tf.Session() as sess:  
6.     sess.run(b)  
7.     print(sess.run(a))  

输出为：

[html]  view plain  copy

1. [[[[ 1.]  
2.    [ 2.]  
3.    [ 3.]]  
4.   
5.   [[ 4.]  
6.    [ 5.]  
7.    [ 6.]]  
8.   
9.   [[ 7.]  
10.    [ 8.]  
11.    [ 9.]]]]  

第一次看到这个的时候很不理解，因为结果很奇怪，不直观，但是其实这也是一个 3 × 3 矩阵的表示，shape中有四个数字，

代表着输出的维数为4，在分割的过程中如果只剩一个数字，那么在这个数字外面加上一个中括号就充当了一维。

下面问题的输出应该猜到了吧。

[html]  view plain  copy

1. a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,1,1])  

4.

[html]  view plain  copy

1. import tensorflow as tf  
2. a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,2])  
3. b = tf.initialize_all_variables()  
4.   
5. with tf.Session() as sess:  
6.     sess.run(b)  
7.     print(sess.run(a))  

输出为：

[html]  view plain  copy

1. [[[[ 1.  2.]  
2.    [ 3.  4.]  
3.    [ 5.  6.]]  
4.   
5.   [[ 7.  8.]  
6.    [ 9.  9.]  
7.    [ 9.  9.]]  
8.   
9.   [[ 9.  9.]  
10.    [ 9.  9.]  
11.    [ 9.  9.]]]]  

有点惊讶吧。原因是这样的，shape中维数为4，至少有1 × 3 × 3 × 2 = 18个数字，如果所给参数中少于18个数字的话就用最后一个数字进行填充。