深度学习常用于处理图像，文本，语音等数据，在计算机中，需要将这些数据用合适的数据结构来存储。以图像为例，每一幅图像可以看作由像素点构成的二维数组，而每个像素点又可以表示成RGB对应的3元组，经过这样的嵌套之后，每一幅图像实际上变成了一个高阶数组, 图示如下
在深度学习中，采用tensor来存储高阶数组对应的数据。tensor, 中文叫做张量，谷歌的开源机器学习框架TensorFlow也是建立在张量的基础上。
张量用来存储高阶数组，但本质上标量，向量，矩阵都可以看作是张量的特殊形式
tensorflow中，定义张量的方式如下
>>> import tensorflow as tf
>>> rank_0_tensor = tf.constant(4)
>>> rank_1_tensor = tf.constant([2.0, 3.0, 4.0])
>>> rank_2_tensor = tf.constant([[1, 2],[3, 4],[5, 6]], dtype=tf.float16)
>>> rank_3_tensor = tf.constant([[[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]],[[10, 11, 12, 13, 14],[15, 16, 17, 18, 19]],[[20, 21, 22, 23, 24],[25, 26, 27, 28, 29]],])
对于张量，可以有多种可视化方式来帮助我们理解其结构, 以3阶张量为例
>>> rank_3_tensor = tf.constant([[[0,1,2,3,4], [5,6,7,8,9]],[[10,11,12,13,14], [15,16,17,18,19]], [[20,21,22,23,24], [25,26,27,28,29]]])
>>> rank_3_tensor
<tf.Tensor: shape=(3, 2, 5), dtype=int32, numpy=
array([[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9]],
[[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
[[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29]]])>
张量有以下几个基本属性
1. shape, 形状，统计各个维度的元素数量
2. rank, 秩，维度的总数
3. axis, 轴，具体的某一个维度
>>> rank_4_tensor = tf.zeros([3, 2, 4, 5])
>>> rank_4_tensor.shape
TensorShape([3, 2, 4, 5])
# 张量的秩
>>> rank_4_tensor.ndim
4
# axis 0的元素数量
>>> rank_4_tensor.shape[0]
3
# axis 1的元素数量
>>> rank_4_tensor.shape[1]
2
# axis 2的元素数量
>>> rank_4_tensor.shape[2]
4
# axis 3的元素数量
>>> rank_4_tensor.shape[3]
5
图示如下
tensorflow通过张量这一数据结构来存储待处理的数据，并再次基础上定义了一系列的张量操作，来高效的处理深度学习运算。
·end·
一个只分享干货的
生信公众号
