张量的基本操作

在TensorFlow中，张量是核心数据结构，类似于多维数组。掌握张量的基本操作是学习TensorFlow的关键第一步。本章将详细讲解元素级运算、维度操作、拼接与分割、索引与切片，所有内容都设计得简单易懂，适合新人学习。

元素级运算

元素级运算对张量中的每个元素独立进行，支持标准算术运算符和丰富的数学函数。

基本运算符

TensorFlow支持Python风格的算术运算符：

• 加法（+）: tensor1 + tensor2
• 减法（-）: tensor1 - tensor2
• 乘法（*）: tensor1 * tensor2
• 除法（/）: tensor1 / tensor2
• 取余（%）: tensor1 % tensor2
• 幂运算（）**: tensor1 ** tensor2

这些运算符直接应用于张量，执行元素级别的计算。例如：

import tensorflow as tf

tensor_a = tf.constant([1, 2, 3])
tensor_b = tf.constant([4, 5, 6])

# 元素级加法
result_add = tensor_a + tensor_b  # 结果为 [5, 7, 9]
print("Addition:", result_add.numpy())

# 元素级乘法
result_mul = tensor_a * tensor_b  # 结果为 [4, 10, 18]
print("Multiplication:", result_mul.numpy())

tf.math系列函数

TensorFlow提供了tf.math模块，包含更多数学函数如tf.add、tf.subtract、tf.multiply、tf.divide等。这些函数提供了更精确的控制和广播机制。

import tensorflow as tf

tensor_a = tf.constant([1.0, 2.0, 3.0])
tensor_b = tf.constant([4.0, 5.0, 6.0])

# 使用tf.math函数
sum_tensor = tf.add(tensor_a, tensor_b)  # 加法
product_tensor = tf.multiply(tensor_a, tensor_b)  # 乘法
print("tf.add result:", sum_tensor.numpy())
print("tf.multiply result:", product_tensor.numpy())

维度操作

维度操作允许改变张量的形状或维度，包括重塑、展平、扩维和转置。

重塑（reshape）

tf.reshape函数改变张量的形状而不改变其元素数量，要求新形状的总元素数与原张量相同。

import tensorflow as tf

tensor = tf.constant([[1, 2, 3], [4, 5, 6]])  # 形状 (2, 3)
reshaped = tf.reshape(tensor, [3, 2])  # 重塑为形状 (3, 2)
print("Original shape:", tensor.shape)
print("Reshaped:", reshaped.numpy())

展平（squeeze）

tf.squeeze移除张量中维度为1的轴，常用于去除不必要的维度。

import tensorflow as tf

tensor = tf.constant([[[1, 2, 3]]])  # 形状 (1, 1, 3)
squeezed = tf.squeeze(tensor)  # 形状变为 (3,)
print("Original shape:", tensor.shape)
print("Squeezed:", squeezed.numpy())

扩维（expand_dims）

tf.expand_dims在指定位置添加一个新维度，用于增加维度以便后续操作。

import tensorflow as tf

tensor = tf.constant([1, 2, 3])  # 形状 (3,)
expanded = tf.expand_dims(tensor, axis=0)  # 在轴0添加维度，形状变为 (1, 3)
print("Original shape:", tensor.shape)
print("Expanded shape:", expanded.shape)

转置（transpose）

tf.transpose交换张量的维度，常用于矩阵转置或调整维度顺序。

import tensorflow as tf

tensor = tf.constant([[1, 2, 3], [4, 5, 6]])  # 形状 (2, 3)
transposed = tf.transpose(tensor)  # 形状变为 (3, 2)
print("Original:", tensor.numpy())
print("Transposed:", transposed.numpy())

拼接与分割

这些操作用于组合或拆分张量，包括拼接和分割功能。

拼接（tf.concat 和 tf.stack）

• tf.concat: 沿现有轴拼接张量，不添加新维度。
• tf.stack: 沿新轴堆叠张量，添加新维度。

import tensorflow as tf

tensor1 = tf.constant([[1, 2], [3, 4]])  # 形状 (2, 2)
tensor2 = tf.constant([[5, 6], [7, 8]])  # 形状 (2, 2)

# tf.concat: 沿轴0拼接（垂直拼接）
concatenated = tf.concat([tensor1, tensor2], axis=0)  # 形状 (4, 2)
print("Concatenated:", concatenated.numpy())

# tf.stack: 沿新轴堆叠
stacked = tf.stack([tensor1, tensor2], axis=0)  # 形状 (2, 2, 2)
print("Stacked shape:", stacked.shape)

分割（tf.split 和 tf.unstack）

• tf.split: 将张量分割成多个子张量，可指定分割数量或大小。
• tf.unstack: 沿指定轴解堆叠，得到多个低维张量。

import tensorflow as tf

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  # 形状 (3, 3)

# tf.split: 沿轴0分割成3个部分
split_tensors = tf.split(tensor, num_or_size_splits=3, axis=0)
print("Split result length:", len(split_tensors))
print("First split:", split_tensors[0].numpy())

# tf.unstack: 沿轴0解堆叠
unstacked = tf.unstack(tensor, axis=0)  # 得到3个形状为 (3,) 的张量
print("Unstacked length:", len(unstacked))

索引与切片

TensorFlow的索引和切片方式与Python和NumPy兼容，易于上手。

基本索引和切片

使用与Python列表和NumPy数组相同的语法进行索引和切片。

import tensorflow as tf

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  # 形状 (3, 3)

# 索引: 获取第一行第二列的元素
element = tensor[0, 1]  # 值为2
print("Indexed element:", element.numpy())

# 切片: 获取前两行所有列
slice_1 = tensor[0:2, :]  # 形状 (2, 3)
print("Slice 1:", slice_1.numpy())

# 切片: 获取所有行的第二列
slice_2 = tensor[:, 1]  # 形状 (3,)
print("Slice 2:", slice_2.numpy())

高级切片

支持步长、负索引等高级切片操作。

import tensorflow as tf

tensor = tf.constant([1, 2, 3, 4, 5, 6, 7, 8, 9])  # 形状 (9,)

# 使用步长: 每隔一个元素取一个
sliced = tensor[0:9:2]  # 结果为 [1, 3, 5, 7, 9]
print("Sliced with stride:", sliced.numpy())

# 负索引: 获取最后一个元素
last_element = tensor[-1]  # 值为9
print("Last element:", last_element.numpy())

总结

张量的基本操作是TensorFlow编程的基础。本章涵盖了元素级运算、维度操作、拼接与分割、索引与切片，所有内容都通过简单代码示例解释，帮助新人快速理解和实践。多练习这些操作，可以提升你在TensorFlow中处理数据的能力。