На этом шаге мы перечислим эти атрибуты.

    Тензор определяется тремя ключевыми атрибутами, такими как:

• количество осей (ранг) - например, трехмерный тензор имеет три оси, а матрица - две. В библиотеках для Python, таких как NumPy или TensorFlow, данный атрибут имеет имя ndim;
• форма - кортеж целых чисел, описывающих количество измерений на каждой оси тензора. Например, матрица на предыдущем шаге имеет форму (3, 5), а тензор третьего ранга - (3, 3, 5). Вектор имеет форму с единственным элементом, например (5,), тогда как у скаляра форма пустая - ();
• тип данных (обычно в библиотеках для Python ему дается имя dtype) - это тип данных, содержащихся в тензоре; например, тензор может иметь тип float16, float32, float64, uint8 и др. В TensorFlow можно также встретить тензоры типа string.

    Чтобы добавить конкретики, вернемся к данным из MNIST, которые мы обрабатывали в первом примере. Сначала загрузим набор данных MNIST:

from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

    Узнаем количество осей тензора train_images, обратившись к его атрибуту ndim:

>>> train_images.ndim
3

>>> train_images.shape
(60000, 28, 28)

>>> train_images.dtype 
uint8

    Теперь мы знаем, что перед нами трехмерный тензор с 8-разрядными целыми числами. Точнее, это массив с 60 000 матрицами целых чисел размером 28 * 28 . Каждая матрица представляет собой черно-белое изображение, где каждый элемент - пиксель с плотностью серого цвета в диапазоне от 0 до 255.

    Попробуем отобразить четвертую цифру из этого тензора, использовав библиотеку Matplotlib (известная библиотека на Python для визуализации данных, входящая в состав пакета Colab) (рисунок 1).

Рис.1. Четвертый образец из нашего набора данных

import matplotlib.pyplot as plt
digit = train_images[4]
plt.imshow(digit, cmap=plt.cm.binary)
plt.show()

    Естественно, что этому изображению соответствует метка - целое число 9:

>>> train_labels[4]
9

    На следующем шаге мы рассмотрим манипулирование тензорами с помощью NumPy.

Предыдущий шаг Содержание Следующий шаг