2.2　表示张量

现在你已经知道了如何将TensorFlow导入到Python源文件中，让我们开始使用它吧！正如在第1章中所讨论的，一种描述现实世界中对象的简便方法是列出它的属性或特征。例如，你可以通过颜色、型号、发动机类型、里程等来描述一辆汽车。特征的有序列表被称为特征向量，这正是你在TensorFlow代码中所表达的。

特征向量由于其简单性而成为机器学习中最有用的工具。特征向量是一串数字。每个数据样本通常由一个特征向量组成，而一个好的数据集有成百上千个特征向量。毫无疑问，你经常会同时处理多个向量。矩阵可以简洁地表示一组向量，其中矩阵的每一列是一个特征向量。

在TensorFlow中表示矩阵的语法是向量的向量，向量的长度都相同。图2.1所示是一个两行三列的矩阵示例，如[[1,2,3],[4,5,6]]。注意，这个向量包含两个元素，每个元素对应于矩阵的一行。

我们通过指定元素的行和列索引来访问矩阵中的元素。例如，第一行和第一列表示左上角的第一个元素。有时，使用两个以上的索引是很方便的，例如，当引用彩色图像中的像素时，不仅根据其行和列，还根据其红/绿/蓝颜色。张量是任意维度的矩阵的泛化表示。

张量的语法是嵌套的向量。如图2.2所示，一个2×3×2的张量为[[[1,2],[3,4],[5,6]],[[7,8],[9,10],[11,12]]]，可以将其看作两个矩阵，每个矩阵的大小为3×2。因此，我们说这个张量的秩是3。一般来说，张量的秩是指定一个元素所需索引的数目。TensorFlow中的机器学习算法作用于张量，所以了解如何使用它们是很重要的。

有多种表示张量的方法，这很容易让人迷失。直观地说，清单2.2中的三行代码试图表示相同的2×2矩阵。这个矩阵表示两个二维的特征向量。例如，它可以代表两个人对两部电影的评分。矩阵的行代表人，列代表电影，分配一个数字来描述他们对电影的评分。运行代码，看看如何在TensorFlow中生成一个矩阵。

清单2.2　表示张量的不同方法

第一个变量（m1）是一个列表，第二个变量（m2）是NumPy的ndarray（N维数组），最后一个变量（m3）是TensorFlow的常量Tensor对象，你可以使用tf.constant方法初始化它。三种初始化矩阵的方法中没有哪种一定比其他方法好，各种方法分别提供了列表值的原始集合（m1）、类型化的NumPy对象（m2）或数据流操作初始化：张量（m3）。

TensorFlow中的所有算子，比如negative，都是作用于张量对象的。一个方便的函数是tf.convert_to_tensor(...)，它可以在任何地方使用，以确保处理的是张量。TensorFlow库中的大多数函数已经（冗余地）执行了这个函数，即使你忘记了这么做。使用tf.convert_to_tensor(...)是可选的，我们在这里展示它是因为它有助于揭开库作为Python编程语言的一部分处理隐式类型系统的神秘面纱。清单2.3输出了三次：

提示　为了使复制和粘贴更容易，你可以在该书的GitHub网站上找到代码清单：https://github.com/chrismattmann/MLwithTensorFlow2ed。你还会发现一个功能齐全的Docker镜像，你可以使用所有的数据、代码和库来运行书中的例子。运行docker pull chrismattmann/mltf2安装，并查看附录了解更多细节。

让我们再看一下定义张量的代码。导入TensorFlow库后，可以使用tf.contant进行如下操作。清单2.3显示了不同维度的张量。

清单2.3　创建张量

运行清单2.3的代码得到以下输出：

正如你从输出中看到的，每个张量都由恰当命名的Tensor对象表示。每个Tensor对象都有一个唯一的标签（name）、一个维度（shape）来定义它的结构，以及一个数据类型（dtype）来指定要操作的值类型。由于没有显式地提供名称，标准库自动生成了名称：Const:0、Const_1:0和Const_2:0。

对于一些简单的张量，TensorFlow还提供了一些便捷的构造函数。例如，构造函数tf.zeros(shape)创建一个指定形状，例如[2,3]或[1,2]的张量，其中所有值初始化为0。类似地，tf.ones(shape)创建一个指定形状的张量，同时将所有值初始化为1。shape参数是一个类型为int32的一维（1D）张量（整数列表），描述张量的维度。