【】tenssorflow学習ノート

一、Tensor(「mul_1:0」、shpe=()、dtype=int 32)のshopが分かりました.
https://blog.csdn.net/u013378306/article/details/56281549
テンソルのレベル、形状、データタイプ
 TensorFlowはテンソルというデータ構造ですべてのデータを表しています.テンソルをn次元の配列またはリストとして想像できます.テンソルは静止タイプとダイナミックタイプの次元があります.テンソルは図中のノード間で流通します.
階数
TensorFlowシステムでは、テンソルの次元は、次数として記述されているが、テンソルの次数とマトリックスの次数は同じ概念ではない.テンソルの次数(順序や度数やn次元など)は、テンソル次元の一個数記述であり、例えば、次のテンソル(Pythonでlist定義)は2次である.

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

一つの二次テンソルは私たちが普段言っている行列と考えられます.一次テンソルは一つのベクトルと考えられます.一つの二次テンソルについては文t[i, j]を使ってその中の任意の要素にアクセスしてもいいです.三次テンソルに対しては't[i,j,k]を使ってその中の任意の要素にアクセスしてもいいです.
階数
数学の実例
Pythonの例
0
純量(大きさのみ)s = 4831
ベクトル(サイズと方向)v = [1.1, 2.2, 3.3]2
マトリックス(データテーブル)m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]3
3次テンソル(データ立体)t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]n
n階(自分で考えてみます)....シェイプ
TensorFlow文書では、テンソルの次元:段、形、次元を簡単に説明するために3つの記号を使用しています.
階数
シェイプ
次元
実例
0
[]
0-D
一つの0次元テンソル.一つの純量.
1
[D 0]
1-D
一つの1次元テンソルの形式[5].
2
[D 0,D 1]
2-D
一つの2次元テンソルの形式[3,4].
3
[D 0,D 1,D 2]
3-D
一つの3次元テンソルの形式[1,4,3].
n
[D 0,D 1,…Dn]
n-D
一つのn次元テンソルの形式[D 0,D 1,…Dn]
shape[2,3]は配列という意味で、1次元には2つの要素があり、2次元には3つの要素があり、例えば:[1,2,3],[4,5,6]
 
 
[html  view plin
 copy
 
`python  

 # 2-D テナント `a`.  

 a. = tf.com nstant([1, 2, 3, 4, 5, 6) sharpe=[2, 3) => [[1. 2. 3.  

                                                       [4. 5. 6.]  

 # 2-D テナント `b`.  

 b = tf.com nstant([7, 8, 9, 10, 11, 12) sharpe=[3, 2) => [[7. 8.  

                                                          [9. 10.  

                                                          [11. 12.］  

 c = tf.matmut(a b) => [[58] 64)  

                         [139] 154]  

  

  

 # 3-D テナント `a`.  

 a. = tf.com nstant(np.arange(1,13) sharpe=[2, 2, 3) => [[ 1.  2.  3.  

                                                        ［ 4.  5.  6.］  

                                                       [[ 7.  8.  9.  

                                                        [10. 11. 12.>]  

  

 # 3-D テナント `b`.  

 b = tf.com nstant(np.arange(13,25) sharpe=[2, 3, 2) => [[13. 14.  

                                                         [15. 16.  

                                                         [17. 18.］  

                                                        [[19. 20.  

                                                         ［21. 22.  

                                                         [23. 24.>]  

 c = tf.matmut(a b) => [[ 94 100)  

                          [229] 244］  

                         [[508] 532]  

                          [697] 730]]    tenssor flowにはtenssorのある次元で値を求める機能があります.
 例えば:
最大値tf.reduce_を求めます.max(input ensor、reduction=None、keep udims=False、name=None)
平均値tf.reduce_を求めます.mean(input ensor、reductions=None、keep udims=False、name=None)
パラメータ(1)input_テナント:値を求めるテナント.
パラメーター(2)レduction_indices:どの1次元で解決しますか?
パラメータ(3)(4)は無視できます.
例を挙げて説明します
  # 'x' is [[1., 2.]

#         [3., 4.]]

xは2次元配列で、それぞれレデュース(*)を呼び出します.関数は以下の通りです
 まず平均値を求めます.
  tf.reduce_mean(x) ==> 2.5 # ，

tf.reduce_mean(x, 0) ==> [2.,  3.] #        0，           ，        
tf.reduce_mean(x, 1) ==> [1., 2.] #        1，           ，        

と同じ理屈で、tf.reduce_も使えます.max()は最大値を求めます.