---

一、张量的基本属性

Tensor是Tensorflow中最重要的数据结构，在计算图中传递的数据都是张量，即n维数组或者列表，每个张量有以下三个属性：

1. 类型(dtype)：数据的类型

张量的类型主要是指张量数据的存储形式，具体类型如下：

数据类型	描述
tf.float32	32位浮点数
tf.float64	64位浮点数
tf.int64	64位有符号整型
tf.int32	32位有符号整型
tf.int8	8位有符号整型
tf.uint8	8位无符号整型
tf.string	可变长度的字节数组，每一个张量元素都是一个字节数组
tf.bool	布尔型
tf.complex64	由两个32位浮点数组成的复数：实数和虚数

2. 阶(rank)：Tensorflow中其张量维数的数量描述为阶

一般将零维的张量称为标量或者常数，一维的张量可理解为向量，二维张量可理解为矩阵，三维则是可以理解为多个二维张量在深度上的一个组合的数组，称之为一个立方体，而多个三维张量堆叠在一起就是四维张量，看左边的中括号的个数，有几个就是几维。

Tensorflow提供 constant 这个函数创建张量:
constant(value, dtype, shape)

1| t = tf.constant(1, tf.float32) #零维向量
2| t = tf.constant([1, 2, 3, 4], tf.float32) #一维张量
# 左边第一个中括号内有3个元素被隔开，因此形状的第一个元素n1 = 3，说明行为3；
# 左边第二个中括号内有3个元素被隔开，因此形状的第二个元素n2 = 3，说明列为3；
3| t = tf.constant([[1, 2, 3,],[4,5,6],[7,8,9]] tf.float32) #二维张量，形状为（3，3）
# 左边第一个中括号内有3个元素被隔开，因此形状的第一个元素n1 = 3，说明行为3；
# 左边第二个中括号内有2个元素被隔开，因此形状的第二个元素n2 = 2，说明列为2；
# 左边第三个中括号内有2个元素被隔开，因此形状的第三个元素n3 = 2，说明深度为2；
4| t = tf.constant([[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]] tf.float32) #三维张量，形状为（3，2，2）
矩阵
[
[1, 3],
[5, 7],
[9, 11]
]
相当于在第一个深度上
矩阵
[
[2, 4],
[6, 8],
[10, 12]
]
在第二个深度上

3. 形状(shape)：张量的shape类型为(n1,n2,n3,…)

先看左边第一个中括号中有几个元素被逗号隔开，有n1个则这个张量形状的第一个元素就是n1；
再看左边第二个中括号中有几个元素被逗号隔开，有n2个则这个张量的形状第二个元素就是n2；
再看左边第三个中括号中有几个元素被逗号隔开，有n3个则这个张量的形状第二个元素就是n3；

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，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，具体可参见多维张量的理解。

二、张量转换

1.张量类型转换

Tensorflow提供了不同类型的转换函数，具体见下表所示：

函数名	含义
tf.string_to_number(string_tensor, out_type = None, name = None)	将字符转换为数字，out_type：可选tf.float32, tf.int32, 默认为tf.float32
tf.to_double(x, name = None)	将x的值转换为double类型
tf.to_int32(x, name = None)	将x的值转换为int32类型
tf.cast(x, dtype, name = None)	将x的值转换为dtype指定的类型

2.张量形状转换

Tensorflow提供了reshape 函数实现形状变换需求，

函数	说明
tf.reshape(tensor, shape, name = None)	tensor：待改变形状的tensor ; shape：必须是int32或int64，决定输出tensor的形状；name：(可选)变换后张量的名称。 注意：如果形状的一个分量是特殊值-1，则会自动计算该维度的大小，使得元素的总数量保持不变

3.实例演示如下

import tensorflow as tf
c1 = tf.constant([1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0,11.0,12.0],dtype=tf.float32)
c2 = tf.reshape(c1,(3,4))
c3 = tf.reshape(c1,(2,-1,3))  #将c1一维向量的形状转变为2行2列深度为3的三维张量
c4 = tf.to_double(c1)
c5 = tf.cast(c1,dtype=tf.int32) #将c1一维向量32位浮点数类型转变为32位有符号位的整数类型
sess = tf.Session()
print(sess.run(c2))
print(sess.run(c3))
print(sess.run(c4))
print(sess.run(c5))

输出结果为：

c2= [[ 1.  2.  3.  4.]
 [ 5.  6.  7.  8.]
 [ 9. 10. 11. 12.]]
c3= [[[ 1.  2.  3.]
  [ 4.  5.  6.]]

 [[ 7.  8.  9.]
  [10. 11. 12.]]]
c4= [ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12.]
c5= [ 1  2  3  4  5  6  7  8  9 10 11 12]