Tensorflow快餐教程（3）- 向量

摘要： Tensorflow向量操作

向量

向量在编程语言中就是最常用的一维数组。

二维数组叫做矩阵，三维以上叫做张量。

向量虽然简单，高效，且容易理解。但是与操作0维的标量数据毕竟还是不同的。比如向量经常用于表示一个序列，生成序列像标量一样一个一个手工写就不划算了。当然可以用循环来写。在向量中这样还好，如果是在矩阵或者是张量中就强烈建议不要用循环来做了。系统提供的函数一般都是经过高度优化的，而且可以使用GPU资源来进行加速。

我们一方面尽可能地多使用系统的函数，另一方面也不要迷信它们，代码优化是一个实践的过程，可以实际比较测量一下。

快速生成向量的方法

range函数生成等差数列

tf.range函数用来快速生成一个等差数列。相当于之前我们讲numpy时的np.arange函数。

原型：

tf.range(start, limit, delta=1, dtype=None, name='range')

例：

linspace生成浮点等差数组

tf.linspace与tf.range的区别在于，数据类型不同。

tf.lin_space(   

start,   

stop,   

num,   

name=None

)

其中，start和stop必须是浮点数，且类型必须相同。num必须是整数。

例：

拼瓷砖

就是将一段向量重复若干次。

向量操作

将向量反序

可以使用tf.reverse函数。

原型：

tf.reverse(   

tensor,   

axis,   

name=None

)

tensor是向量，axis轴对于向量不重要，给个[-1]就可以了。折腾轴是张量时间的事情，暂时还用不到。

>>> a2 = tf.linspace(1.0,10.0,4)

>>> a3 = tf.reverse(a2,[-1])

>>> sess.run(a3)

array([10.,7.,4.,1.], dtype=float32)

切片

切片也是向量的常用操作之一，就是取数组的一部分。

例：

>>> a5 = tf.linspace(1.0,100.0,10)

>>> sess.run(a5)

array([1.,12.,23.,34.,45.,56.,67.,78.,89.,100.],     

dtype=float32)

>>> a6 = tf.slice(a5, [2],[4])

>>> sess.run(a6)

array([23.,34.,45.,56.], dtype=float32)

将来处理张量时，我们从一个矩阵切一块，或从一个张量中切一块，就好玩得多了。但是原理跟向量上是一样的。

连接

tf.concat也是需要给定轴信息的。对于两个线性的向量，我们给0或者-1就好。

向量计算

向量加减法

同样长度的向量之间可以进行加减操作。

例：

向量乘除标量

向量乘除标量也非常好理解，就是针对向量中的每个数都做乘除法。

例：

广播运算

如果针对向量和标量进行加减运算，也是会对向量中的每个数进行加减运算。这种操作称为广播操作。

例：

小结

从上面我们学习的函数我们可以看到，与普通语言中提供的函数多是为一维数组操作不同，Tensorflow中的切片、拼接等操作也是基于张量的。

当我们后面学到张量遇到困难时，不妨回来看下这一节。不管后面张量多么复杂，其实也只是从一维向二维和多维推广而己。

详情请阅读原文