张量tensor

张量tensor

几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。
那TensorFlow里面的张量(Tensor)是什么，流动(Flow)是什么？

是什么？

本教程中，我将使用Python，Keras，TensorFlow和Python库Numpy。在Python中，张量通常存储在Numpy数组，Numpy是在大部分的AI框架中，一个使用频率非常高的用于科学计算的数据包。
我们为什么想把数据转换为Numpy数组？很简单。因为我们需要把所有的输入数据，如字符串文本，图像，股票价格，或者视频，转变为一个统一得标准，以便能够容易的处理。

张量是现代机器学习的基础。它的核心是一个数据容器，多数情况下，它包含数字，有时候它也包含字符串，但这种情况比较少。
它仅仅是组织数据成为可用的格式。比如：在网页程序中，你也许通过XML表示，所以可以定义它们的特征并快速操作。

0维张量/标量 标量是一个数字
1维张量/向量 1维张量称为“向量”。
2维张量 2维张量称为矩阵
3维张量 公用数据存储在张量 时间序列数据 股价 文本数据 彩色图片(RGB)

这里有一些存储在各种类型张量的公用数据集类型：

3维=时间序列
4维=图像
5维=视频

几乎所有的这些张量的共同之处是样本量。样本量是集合中元素的数量，它可以是一些图像，一些视频，一些文件或者一些推特。

#例如，一个图像可以用三个字段表示
(width, height, color_depth) = 3D
#我们可能有10,000张郁金香的图片，这意味着，我们将用到4D张量
(sample_size, width, height, color_depth) = 4D


#医学扫描——我们可以将脑电波（EEG）信号编码成3D张量，因为它可以由这三个参数来描述：
(time, frequency, channel)
#如果我们有多个病人的脑电波扫描图，那就形成了一个4D张量
(sample_size, time, frequency, channel)


#MNIST数据集有60,000张图片，它们都是28 x 28像素，它们的颜色深度为1，即只有灰度。
#TensorFlow这样存储图片数据：
(sample_size, height, width, color_depth)
#于是我们可以认为，MNIST数据集的4D张量是这样的：
(60000,28,28,1)


#5D张量可以用来存储视频数据。TensorFlow中，视频数据将如此编码：
#（sample_size, frames, width, height, color_depth)
#如果我们考察一段5分钟（300秒），1080pHD（1920 x 1080像素），每秒15帧（总共4500帧），颜色深度为3的视频，我们可以用4D张量来存储它
(4500,1920,1080,3)
#当我们有多段视频的时候，张量中的第五个维度将被使用。如果我们有10段这样的视频，我们将得到一个5D张量：
(10,4500,1920,1080,3)

流动(Flow)是什么?

学习如何在张量上做各种变换，这就是大家所熟知的数学。换句话说，我们将让张量“流动Flow起来”。

参考 【tensorflow】浅谈什么是张量tensor