python中的张量运算（tensor）
张量(tensor)其实是离散数学中的概念，有着清晰严格的定义，不过也很深奥，这⾥我们仅从程序员的⾓度简单理解⼀下。⽐如单个数字可以看做是0阶张量，⼀维数组就是1阶张量，⼆维数组（矩阵）就是2阶张量，依此类推。可以发现，张量是由⼀定规的数据集，有很好的抽象能⼒，能很好的刻画对象。⽐如对于个⼈，健康指标可以⽤0~1来表⽰，为0阶张量。健康状态可以⽤数组表⽰，分别为体重指标，⾝⾼指标，肺活量指标等，为1阶张量，还可以再加⼊纵轴，⽐如年龄，性别等，构成健康图谱，成为2阶张量。
random在python中的意思  好了，numpy就是python中处理n-demensional array, 也就是ndarray,⾮常⽅便，⽽ndarray在和tensorflow的tensor⼤同⼩异，可以相互转换，在这⾥可以统称为张量。那么如何计算张量的形状呢？
tensor = [[12,2,2,3],
[4,34,54,34]
]
  ⽐如上图，tensor是4*2张量，还是2*4呢？也即写成shape=[4,2]，还是[2,4]，是不是都可以，还是只有⼀种合理的⽅法？这和我们访问多维数组的习惯有很⼤的关系，⽐如在for循环中，我们都是从最外层开
始访问的，那么最外层的就应该是shape的第⼀位
for (let arr in tensor){
for(let a in arr){
print(a);
}
}
    和⽤shape的⽅式访问等价：
for( let i=0;i++;i<shape[0]){
for(let j=0;i++;j<shape[1]){
print(tensor[i][j]);
}
}
  所以其形状为2*4。在计算张量的形状时，可以把张量看成数组的嵌套，从外到⾥访问，分别是shape的1维，2维，...n维。
下⾯我们看下其api的使⽤。
1、就像0和其他⾃然数有很⼤不同，0阶张量和n阶张量(n>0)的api也有很⼤区别，⽐如下⾯。
np.max：(a, axis=None, out=None, keepdims=False)
求序列的最值
最少接收⼀个参数
axis：默认为列向（也即 axis=0），axis = 1 时为⾏⽅向的最值；
np.maximum：(X, Y, out=None)
X 与 Y 逐位⽐较取其⼤者；
最少接收两个参数
2、张量元素的迭代器
  在python中，创建⼀个⼀维数组的迭代器是⾮常简单的，使⽤也很简单，但是在对于多维，就有很多参数，如下
it=np.nditer(a,flags=['multi_index'],op_flags=['readwrite'])
这句话看起来不好理解，我们来仔细研究下。
flags=['multi_index']表⽰对a进⾏多重索引，具体解释看下⾯的代码。
op_flags=['readwrite']表⽰不仅可以对a进⾏read（读取），还可以write（写⼊），即相当于在创建这个迭代器的时候，我们就规定好了有哪些权限。
3、张量的卷积运算
从⼆维张量（矩阵）的⾓度看，张量的卷积运算是对dot product和cross运算的⼀种推⼴，对两个矩阵的形状没有那么严格的要求，可以试想两个平⾯运算，两个⽅块运算。
4、numpy.pad填充函数:
看这篇博客，写的很详细，有案例，
5、张量中的切⽚操作：
x1=np.random.rand(3,4,5)
x2 =x1[:,2,:]：确定了第⼆个轴的坐标，没有⽤冒号代替，意思就是全选，则x2,shape=(3,5)，就相当于在⾯包上切⽚，⾮常⽅便。
7，ndarray的⽅法和属性
Numpy中主要处理ndarray，当我们把处理好的数据集变成ndarray后，那它将拥有哪些⽅法和函数呢？⽐如最常见的shape和
reshape（），transpose()。这些可以分为描述信息和统计信息两⼤类吧，⽐如mean(),std()，还有很多api，可以去看下。
8、python标准库中的math和numpy中的数学计算问题:
⽐如都有p()和p()函数等，但是做数据分析时⼀般都⽤numpy⾃带的数学函数，更专业
参考资料：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。