怎样理解TensorFlow中的Tensor？

Tensor是TensorFlow最基础和最核心的数据结构，TensorFlow用Tensor这种数据结构来表示所有的数据，TensorFlow的computation graph(计算图)中的节点之间只用Tensor传递数据。Tensor翻译成中文是“张量”，在数学和物理学中运用较多，那么TensorFlow中的Tensor到底是什么呢？本文将解释这个概念。

Tensor的rank（秩）

Tensor的秩和矩阵的秩不一样，Tensor的秩是指这个数据结构的维数。比如一个标量就是一个秩为0的Tensor，一个向量就是一个秩为1的Tensor，一个矩阵就是一个秩为2的Tensor，一个3维数组就是一个秩为3的Tensor，如下表所示：

Tensor的shape（形状）

描述一个Tensor，光知道维数还不够，还必须知道每一维的大小，TensorFlow用shape来定义它，比如[5]表示有5个元素的向量，[3, 4]表示第一维的大小为3，第二维的大小为4的矩阵，参见下表：

Tensor的数据类型

每个Tensor有一个固定的数据类型。常用的数据类型有：DT_FLOAT，DT_DOUBLE，DT_INT32等，DT即Data Type之意。TensorFlow支持的所有数据类型如下表所示：

如何知道一个Tensor的shape

给定一个复杂的Tensor，我们怎样知道它的shape呢？下面通过一个简单的例子来描述。

假如有这样一个Tensor

t = [[[2,3], [4,5], [6,7]], [[8,9], [10,11], [12,13]], [[14,15], [16,17], [18,19]]]

我们将它表示成为一颗树，来辅助计算它的shape：

我们可以看到，第4层（即最底层）的节点2个为一组，第3层的节点3个为一组，第2层的节点3个为一组，这样该Tensor的shape即为[3, 3, 2]。除去根节点，树的层数即是该Tensor的秩，为3。

结语

上面说了这么多，好像Tensor是一个很高大上的东西，其实不然，它就是一个多维数组而已。比如你在C++里定义一个多维数组：

int a[2][3][4][5][6];

将它看作一个Tensor，则它的秩为5，shape为[2, 3, 4, 5, 6]。

更多文章请关注我的公众号：机器学习交流