Intro to TensorFlow B - TensorFlow 2.0 Course

Summary

本视频介绍了TensorFlow中的核心概念——张量（tensor）。讲解了张量如何将向量扩展到更高的维度，涵盖了张量的定义、数据类型、形状、秩以及如何在TensorFlow中创建和操作张量。通过代码示例，展示了如何使用TF库创建不同类型的张量、调整形状、重塑张量以及如何评估张量的值。视频还深入探讨了张量的不可变性与可变性，以及如何通过会话评估张量，为用户后续的深度学习编程打下坚实基础。

Takeaways

• 😀 张量是向量的扩展，可以拥有多个维度。
• 😀 向量是由一个或多个数据点组成的，可以在不同维度中存在。
• 😀 张量是TensorFlow的核心对象，用于表示和操作数据。
• 😀 张量的类型通常是数字，但也可以是字符串等其他类型。
• 😀 张量的形状代表了其维度，包含了每个维度的元素数量。
• 😀 张量的阶（rank）表示张量的维度数量，例如标量是阶0张量，向量是阶1张量。
• 😀 张量的形状可以使用TensorFlow的TF.rank方法来检查。
• 😀 张量的重塑（reshape）可以改变其形状，同时保持元素数量不变。
• 😀 使用TF.reshape方法可以将张量转换为不同形状。
• 😀 常量张量和变量张量的区别在于，常量张量不可改变，而变量张量的值可以更改。
• 😀 在TensorFlow中，通过会话（session）可以评估张量，获取其计算结果。

Q & A

什么是张量？

张量是向量和矩阵的推广，可以有多个维度。它是一个用于存储数据的基本对象，在 TensorFlow 中，张量表示可能包含部分定义的计算，最终将生成一个值。

什么是向量？

向量是一个包含多个数据点的数学对象。在二维空间中，向量可以表示为两个数值（x 和 y），而在更高维度中，向量可以有更多的数值。

张量的基本定义是什么？

张量是向量和矩阵的推广，可以有更高的维度。TensorFlow 内部将张量表示为 n 维数组，包含基本数据类型。

张量的计算是如何进行的？

在 TensorFlow 中，张量表示的是一个部分定义的计算。这些张量存储在计算图中，只有在执行会话时，计算图的各个部分才会被计算和执行。

张量的类型是什么？

张量的类型是指存储在其中的数据类型，常见的数据类型有浮动数值（如 float32）、整数（如 int32）和字符串等。

张量的形状是什么意思？

张量的形状表示张量的维度结构，告诉我们每个维度包含多少元素。举例来说，二维张量的形状可能是 2x3，表示有两行三列的数据。

什么是标量？

标量是一个零维张量，表示单一的数值。它没有维度，只是一个简单的数字。

如何确定张量的秩（rank）？

张量的秩是其维度的数量。可以通过查看张量的嵌套列表的深度来确定其秩。例如，一个二维列表是秩为 2 的张量。

张量的形状如何影响其数据结构？

张量的形状决定了每个维度中包含多少元素。形状可以帮助我们理解数据在张量中的组织方式，形状改变时，张量的表示和维度数会随之变化。

如何改变张量的形状？

可以使用 TensorFlow 的 reshape 方法改变张量的形状。通过提供新的形状，TensorFlow 会调整张量的维度和元素排列，前提是新形状中的元素数量与原形状一致。