python - 理解张量的秩和行为

Question

我刚开始使用 tensorflow ，当涉及到张量的等级以及它们如何相互作用时，我遇到了一个巨大的问题。

我有以下代码:

w = tf.Variable(tf.constant([0.2,0.6]))  
x = tf.placeholder(tf.float32)  
y =  w * x  

如您所见，这是一个非常简单的设置。
但是，当我执行print w时输出是Tensor("Variable_13/read:0", shape=(2,), dtype=float32) .
shape(2,)是什么意思？逗号表示什么？

此外，这是sess = tf.Session()之后的其他痛点并初始化变量:

print(sess.run(y,{x:[1,2]})) 

[0.2 1.20000005]

print(sess.run(y,{x:[1]}))  

[ 0.2 0.60000002]

print(sess.run(y,{x:[[1],[2]]})) 

[[ 0.2 0.60000002]
[0.40000001 1.20000005]]

为什么我会出现如此多样化的行为？ tensorflow 如何确定单个数据点？我现在意识到，在声明占位符时指定形状可能比让自己陷入这样的困境要好。
我理解类里面教授的最后两个案例，但我无法解释第一个案例的行为。

Answer 1

你的第一个问题很简单。 shape=(2,)指w的尺寸。在 numpy ，形状始终由整数元组表示，如下所示:

>>> x = np.random.randn(50)
>>> x.shape
(50,)

这是一个一维数组，shape 中只指定了一个整数。现在，...

>>> x = np.random.randn(50, 50)
>>> x.shape
(50, 50)

这是一个二维数组。如您所见，shape指定 x 的大小沿着 2 个维度。

---

回答你的第二个问题，x是一个占位符，这意味着它可以占用您赋予它的任何值。这正是以下几行的作用:{x:[1,2]} , {x:[1]}和{x:[[1],[2]]}

在第一种情况下，x 被分配一个包含 2 个元素的一维数组 [1, 2] 。在第二种情况下，具有 1 个元素的一维数组 [1]等等。

现在，操作w * x上面指定 w应乘以 x 。所以，当做sess.run(y,{x:[1,2]})时, w乘以x以及传递给它的值。您看到的输出会根据您传递给 x 的值而变化。 .

在第一种情况下，[0.2, 0.6] * [1, 2]只需将每个元素与其相应的索引相乘，结果为 [0.2 * 1, 0.6 * 2] .

第二个案例做了类似的事情。

在第三种情况中，x 的尺寸为 (2, 1)。所以每行 x依次乘以w要获得单独的行，请给出 [[ 0.2, 0.60000002], [ 0.40000001, 1.20000005]]作为你的输出。