tensor是Tensorflow中最基础的数据结构，常常翻译为张量，可以理解为n维数组或矩阵，相关函数：

 

constant(value, dtype=None, shape=None, name='Const', verify_shape=False)

三维方向定义，适用于2维和3维

0、零维张量

 

import tensorflow as tf

#零维张量
const0 = tf.constant(1, tf.float16)
print(const0)

运行结果:

 

Tensor("Const:0", shape=(), dtype=float16)

1、一维张量

 

#一维张量，长度为4
const1 = tf.constant([1, 2, 3, 4], tf.float16)
print(const1)

运行结果:

 

Tensor("Const_1:0", shape=(4,), dtype=float16)

几何表示：

一维张量没有行和列的概念，只有长度的概念。上述的const1就是长度为4的一维张量，或者称为向量。
上面的图仅为示意，代表一维张量只有axis=0这个方向，并不是指这是一个4行的向量。事实上，tensorflow在做一些运算时，反而经常把1行N列的二维张量简化成一个长度为N的一维向量。

 

2、二维张量

 

#二维张量，3行4列
const2 = tf.constant([
                     [1, 2, 3, 4],
                     [5, 6, 7, 8],
                     [9, 10, 11, 12]
                     ], tf.float16)
print(const2)

运行结果:

 

Tensor("Const_2:0", shape=(3, 4), dtype=float16)

几何表示：

 

3、三维张量

 

#三维张量，3行4列深度为2的张量
const3 = tf.constant([
                     [[ 1,  2], [ 3,  4], [ 5,  6], [ 7,  8]],
                     [[11, 12], [13, 14], [15, 16], [17, 18]],
                     [[21, 22], [23, 24], [25, 26], [27, 28]]
                     ], tf.float16)
print(const3)

运行结果:

 

Tensor("Const_3:0", shape=(3, 4, 2), dtype=float16)

几何表示：

 

4、四维张量（图像仅用于理解，坐标系axis已经不再适用）

 

#四维张量
const4 = tf.constant([
                     #第一个3行4列深度为2的三维张量
                     [[[1,  2], [ 3,  4], [ 5,  6], [ 7,  8]],
                     [[11, 12], [13, 14], [15, 16], [17, 18]],
                     [[21, 22], [23, 24], [25, 26], [27, 28]]
                     ],
                     #第二个3行4列深度为2的三维张量
                     [[[1,  2], [ 3,  4], [ 5,  6], [ 7,  8]],
                     [[11, 12], [13, 14], [15, 16], [17, 18]],
                     [[21, 22], [23, 24], [25, 26], [27, 28]]]
                     ], tf.float16)
print(const4)

运行结果:

 

Tensor("Const_4:0", shape=(2, 3, 4, 2), dtype=float16)

几何表示：

 

这个图上的axis不对，行应为axis=1，以此类推

如何判断一个张量的batch数、行、列、深度：

 

const4 = tf.constant([
                     #第一个3行4列深度为2的三维张量
                     [[[1,  2], [ 3,  4], [ 5,  6], [ 7,  8]],
                     [[11, 12], [13, 14], [15, 16], [17, 18]],
                     [[21, 22], [23, 24], [25, 26], [27, 28]]
                     ],
                     #第二个3行4列深度为2的三维张量
                     [[[1,  2], [ 3,  4], [ 5,  6], [ 7,  8]],
                     [[11, 12], [13, 14], [15, 16], [17, 18]],
                     [[21, 22], [23, 24], [25, 26], [27, 28]]]
                     ], tf.float16)

从左边开始数连续[的数量，最多有X个[说明是X维张量。上面的例子就是4维张量。
以三维以上的张量为例：
从左边开始数连续的[，最后一个[对应的]中一共两个元素，分别为1， 2，说明深度为2。
接下来向左边数上一级[对应的]中一共有4个元素[1, 2], [ 3, 4], [ 5, 6], [ 7, 8]，说明列为4。
同理继续数上一级，得到3行，2个batch。

小结：

shape属性中的元素大于等于3时，可以用3维空间来理解。
shape=(3, 4, 2)时，表示3行4列深度为2的张量
shape=(2, 3, 4, 2)时，表示有2个 3行4列深度为2的张量
shape=(6, 2, 3, 4, 2)时，表示有6个四维张量，这个四维张量又可以表示为2个 3行4列深度为2的张量。

shape中的属性分别与axis=0，axis=1、axis=2、axis=3……对应，以此类推。当维度超过3时，上图几何中的坐标系表示就已经错误了。但是对于理解多维是有帮助的。

作者：X_xxieRiemann
链接：https://www.jianshu.com/p/f34457c222c5
来源：简书