TensorFlow2-基础（二）：Tensor常见阶Rank【Rank = 0阶[]、1阶[d]、2阶[h, w]、3阶[b, len, vec]、4阶[b, h, w, c] 、5阶（元学习）】

r囧r小猫 2023-09-29 10:34 47阅读 0赞

## 一、Rank ##

Tensorflow将张量定义为多维数组。它可以表示任意维度的数组，维度用rank（阶）表示。它在深度学习中存在的意义是创造更高维度的矩阵、向量。

import pandas as pd
    import tensorflow as tf
    
    a1 = [
        [[1, 2, 3],
         [4, 5, 6],
         [7, 8, 9],
         [10, 11, 12]],
    
        [[11, 21, 31],
         [41, 51, 61],
         [71, 81, 91],
         [101, 111, 121]]
    ]
    
    a2 = [
        [1, 2, 3],
        [4, 5, 6]
    ]
    
    t1 = tf.convert_to_tensor(a1, dtype=tf.int32)
    t2 = tf.convert_to_tensor(a2, dtype=tf.int32)
    
    print("tf.rank(t1) = {0}; t1 = \n{1}".format(tf.rank(t1), t1))
    print("-" * 100)
    print("tf.rank(t2) = {0}; t2 = \n{1}".format(tf.rank(t2), t2))

打印结果：

tf.rank(t1) = 3; t1 = 
    [[[  1   2   3]
      [  4   5   6]
      [  7   8   9]
      [ 10  11  12]]
    
     [[ 11  21  31]
      [ 41  51  61]
      [ 71  81  91]
      [101 111 121]]]
    ----------------------------------------------------------------------------------------------------
    tf.rank(t2) = 2; t2 = 
    [[1 2 3]
     [4 5 6]]
    
    Process finished with exit code 0

![在这里插入图片描述][8c96e93be7c84f0eac1c1076ece390f4.png_pic_center]  
rank：就是有几个维度，也相当与有几个括号，也是shape元组的长度，rank的idx计数都是从外向里，从大到小，也就是shape的排列方式。

*  tf.rank(t1) = 3
 *  tf.rank(t2) = 2

图中数字表示rank的idx，箭头表示idx的方向。  
![在这里插入图片描述][d86395a5f5994ff79b03447c114843e0.png_pic_center]

## 二、典型的rank ##

Typical Dim Data

*  \[\]
 *  \[d\]
 *  \[h, w\]
 *  \[b, len, vec\]
 *  \[b, h, w, c\]
 *  \[t, b, h, w, c\]
 *  …

### 0、rank = 0维【标量/Scalar】 ###

*  \[\]
 *  0, 1., 2.2…
 *  accuracy
 *  loss = mse(out, y)

![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]

### 1、rank = 1维【向量/Vector】 ###

Bias

*  \[out\_dim\]  
    ![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 1]  
    ![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 2]

### 2、rank = 2维【矩阵/Matrix】 ###

*  input x: \[b, vec\_dim\]
 *  weight: \[input\_dim, output\_dim\]  
    ![在这里插入图片描述][0442286196d0432594e4f1bc7f444a74.png]  
    ![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 3]

### 3、rank = 3维【矩阵/Matrix】 ###

x: \[b, seq\_len, word\_dim\]

*  \[b, 5, 5\]

![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 4]  
![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 5]

### 4、rank = 4维【矩阵/Matrix】 ###

Image: \[b, h, w, 3\]

feature maps: \[b, h, w, c\]  
![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 6]  
![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 7]

### 5、rank= 5维【矩阵/Matrix】 ###

Single task: \[b, h, w, 3\]

meta-learning：\[task\_b, b, h, w, 3\]

![在这里插入图片描述][watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 8]

--------------------

参考资料：  
[tensorflow：理解 rank, shape, type][tensorflow_ rank_ shape_ type]  
[通俗易懂的理解Tensor(张量)、Rank、Shape][Tensor_Rank_Shape]

[8c96e93be7c84f0eac1c1076ece390f4.png_pic_center]: https://img-blog.csdnimg.cn/8c96e93be7c84f0eac1c1076ece390f4.png#pic_center
[d86395a5f5994ff79b03447c114843e0.png_pic_center]: https://img-blog.csdnimg.cn/d86395a5f5994ff79b03447c114843e0.png#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: https://img-blog.csdnimg.cn/9eb9a8b7226648668a600c8fd6e81907.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: https://img-blog.csdnimg.cn/03b5a2e2c4494e359b71e60c3d0ca754.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 2]: https://img-blog.csdnimg.cn/ce74742b0b6642939037112fd22b8b63.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[0442286196d0432594e4f1bc7f444a74.png]: https://img-blog.csdnimg.cn/0442286196d0432594e4f1bc7f444a74.png
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 3]: https://img-blog.csdnimg.cn/309a4d5457484d69b6d0bd8d1f6c1268.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 4]: https://img-blog.csdnimg.cn/a037290c640e4301ae52e8c7206e1d74.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 5]: https://img-blog.csdnimg.cn/fae8a16de4fa4420ac2b29b547136b38.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 6]: https://img-blog.csdnimg.cn/0bbc1301a43141078f03c711859b0b9d.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 7]: https://img-blog.csdnimg.cn/b1e9fb9d85fe498fa2a80d748f992edb.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAdTAxMzI1MDg2MQ_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 8]: https://img-blog.csdnimg.cn/1fac52a6a6ac4bbeb91fff470a2247eb.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAdTAxMzI1MDg2MQ==,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center
[tensorflow_ rank_ shape_ type]: https://www.jianshu.com/p/9463340683c9
[Tensor_Rank_Shape]: https://blog.csdn.net/qq_18649781/article/details/89045829