Tensorflow 中的 tensor 及 shape

当我们使用 Tensorflow 来创建数据时，我们需要了解 tensor的数据结构，以便我们对于数据有直观的认识。下面我们来介绍一下 tensor 数据有哪些属性。

Tensor

Tensor 本质是多维数组，并且数组里只能包含一种类型的数据，比如全部是 float或者全部是int，并且 tensor是不能更改的，因此创建后，只能在此基础上再创建新的 tensor。

Rank

rank表示维度的数量，因为 tensor是多维度的，维度可以简单理解成坐标系，所以 tensor 可以有多个坐标系。让我们来看一下 rank 为 0-2 的 tensor。

rank_0_tensor = tf.constant(4);

rank 为 0 的 tensor 可以理解为一个 scalar，在我们线性代数里常见的 scalar。

rank_1_tensor = tf.constant([1.0, 2.0, 3.0]);

rank 为 1 的 tensor 可以理解为一个向量。

rank_2_tensor = tf.constant([[1,2], [3,4], [5,6]]);

rank 为 2 的 tensor 可以理解为一个矩阵。

Shape

每个维度所含元素的数量，其中 Shape返回的是一个 list，list的长度就等于 Rank，其中 list的数据顺序是有一个特定的数据。

Shape 返回值的数据顺序

在 tensor 中，tensor.shape 返回的 list 值是有特定顺序的；以 tensor_4_rank 举例，Shape 对应的第一个值是 batch size，第二个值是 height，第三个值是 width，第四个值是 feature。（Shape 可以被理解成不同的形状结构，但无论是哪种结构，所有的数据顺序依然保持一致，比如第一个数组是永远是在结构的第一个位置，以此类推）

tensor 元素数量

Shape 返回的 lisrt 的所有值相乘，就是tensor所有值的数量。比如我们通过 tensor.shape 得到一个 list 为 [1,2,3]，则该 tensor 的所有数据个数为 1 * 2 * 3 = 6。