文章目录

• 2.2张量
• • 1、0D张量——标量：仅包含一个数字的张量叫做标量。
  • 2、1D张量——向量：一个轴
  • 3、2D张量——矩阵：两个轴行和列
  • 4、3D张量与更高维张量
  • 5、关键属性
• 张量运算
• • 1、广播
  • 2、点积
  • 3、变形

2.2张量

张量（tensor）：矩阵是二维张量，张量是矩阵任意维度上的推广。

1、0D张量——标量：仅包含一个数字的张量叫做标量。

import numpy as np 
x=np.array(12)
print(x.ndim)#numpy数组的ndim属性可以查看张量轴的个数

2、1D张量——向量：一个轴

import numpy as np 
x=np.array([12,13,14,15])
print(x.ndim)#numpy数组的ndim属性可以查看张量轴的个数

3、2D张量——矩阵：两个轴行和列

import numpy as np 
x=np.array([[12,13,14,15],[12,23,43,26]])
print(x.ndim)#numpy数组的ndim属性可以查看张量轴的个数

4、3D张量与更高维张量

多个2D张量组成一个3D张量
多个3D张量组成一个4D张量
以此类推。。。

import numpy as np 
x=np.array([[[12,13,14,15],[12,23,43,26]],[[12,233,32,23],[12,34,43,34]]])
print(x.ndim)#numpy数组的ndim属性可以查看张量轴的个数

5、关键属性

轴的个数–阶：ndim属性
形状：表示张量沿每个轴的维度大小即元素的个数。标量为空（），向量为（n），2D为（n，m）以此类推
数据类型：可以为float32，float64等

张量运算

1、广播

当两个阶数不同的向量相加时，较小的张量会被广播以匹配较大的张量。
步骤：1、为较小的张量添加轴，和较大张量的ndim相同
2、将较小的张量沿新轴重复
eg x（12,3） y(3,) .先为y添加新轴变为（1,3）再将y沿新轴重复12次变为（12,3）

import numpy as np 
x=np.random.random((2,2,2,2))#x为形状为（2,2,2,2）的随机张量
y=np.random.random((2,2))#y为形状为（2，2）的随机张量
z=np.maximum(x,y)
print(z)#z的形状与x相同

2、点积

张量的点积，一般都是两个矩阵的点积和线性代数里两个矩阵的相同

import numpy as np 
x=[
    [1,2],
    [5,6]
]
y=[
    [9,10,11],
    [12,13,14]
]
z=np.dot(x,y)
print(z)

3、变形

改变张量的行和列以得到想要的形状

import numpy as np 
x=np.array([
    [1,2],
    [5,6]
])
print(x.shape)
x=x.reshape((4,1))
print(x)
x=x.reshape((1,4))
print(x)

特殊变形：转置（将矩阵的行和列互换）

y=np.zeros((4,1))#生成一个零矩阵
y=np.transpose(y)#对矩阵进行转置
print(y.shape)

标签：ndim,12,读书笔记,Python,张量,print,深度,np,numpy
来源： https://blog.csdn.net/weixin_45827387/article/details/115439726