你真的懂TensorFlow吗？为什么会Flow?
2017-05-23 编辑：
大数据文摘作品，转载要求见文末
编译 | 邵胖胖，江凡，笪洁琼，Aileen
也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。也许你在NASA教程中看到它，仍然不知道它在说些什么？问题在于大多数讲述张量的指南，都假设你已经掌握他们描述数学的所有术语。
别担心！
我像小孩子一样讨厌数学，所以如果我能明白，你也可以!我们只需要用简单的措辞来解释这一切。所以，张量(Tensor)是什么，而且为什么会流动(Flow)？
目录
0维张量/标量
标量是一个数字
1维张量/向量
1维张量称为“向量”。
2维张量
2维张量称为矩阵
3维张量
公用数据存储在张量
时间序列数据
股价
文本数据
图片
彩色图片
5D张量
结论
让我们先来看看tensor（张量）是什么？
张量=容器
张量是现代机器学习的基础。它的核心是一个数据容器，多数情况下，它包含数字，有时候它也包含字符串，但这种情况比较少。因此把它想象成一个数字的水桶。
张量有多种形式，首先让我们来看最基本的形式，你会在深度学习中偶然遇到，它们在0维到5维之间。我们可以把张量的各种类型看作这样(对被题目中的猫咪吸引进来小伙伴说一句，不要急！猫咪在后面会出现哦！)：
0维张量/标量
装在张量/容器水桶中的每个数字称为“标量”。
标量是一个数字。
你会问为什么不干脆叫它们一个数字呢？
我不知道，也许数学家只是喜欢听起来酷？标量听起来确实比数字酷。
实际上，你可以使用一个数字的张量，我们称为0维张量，也就是一个只有0维的张量。它仅仅只是带有一个数字的水桶。想象水桶里只有一滴水，那就是一个0维张量。
本教程中，我将使用Python，Keras，TensorFlow和Python库Numpy。在Python中，张量通常存储在Nunpy数组，Numpy是在大部分的AI框架中，一个使用频率非常高的用于科学计算的数据包。
你将在Kaggle（数据科学竞赛网站）上经常看到Jupyter Notebooks（安装见文末阅读链接，“数学烂也要学AI：带你造一个经济试用版AI终极必杀器”）关于把数据转变成Numpy数组。Jupyter notebooks本质上是由工作代码标记嵌入。可以认为它把解释和程序融为一体。
我们为什么想把数据转换为Numpy数组？
很简单。因为我们需要把所有的输入数据，如字符串文本，图像，股票价格，或者视频，转变为一个统一得标准，以便能够容易的处理。
这样我们把数据转变成数字的水桶，我们就能用TensorFlow处理。
它仅仅是组织数据成为可用的格式。在网页程序中，你也许通过XML表示，所以你可以定义它们的特征并快速操作。同样，在深度学习中，我们使用张量水桶作为基本的乐高积木。
1维张量/向量
如果你是名程序员，那么你已经了解，类似于1维张量：数组。
每个编程语言都有数组，它只是单列或者单行的一组数据块。在深度学习中称为1维张量。张量是根据一共具有多少坐标轴来定义。1维张量只有一个坐标轴。
1维张量称为“向量”。
我们可以把向量视为一个单列或者单行的数字。
如果想在Numpy得出此结果，按照如下方法：
我们可以通过NumPy’s ndim函数，查看张量具有多个坐标轴。我们可以尝试1维张量。
2维张量
你可能已经知道了另一种形式的张量，矩阵——2维张量称为矩阵
不，这不是基努·里维斯(Keanu Reeves)的电影《黑客帝国》，想象一个excel表格。
我们可以把它看作为一个带有行和列的数字网格。
这个行和列表示两个坐标轴，一个矩阵是二维张量，意思是有两维，也就是有两个坐标轴的张量。
在Numpy中，我们可以如下表示：
x = np.array([[5,10,15,30,25],
[20,30,65,70,90],
[7,80,95,20,30]])
我们可以把人的特征存储在一个二维张量。有一个典型的例子是邮件列表。
比如我们有10000人，我们有每个人的如下特性和特征：
First Name（名）
Last Name（姓）
Street Address（街道地址）
City（城市）
State（州/省）
Country（国家）
Zip（邮政编码）
这意味着我们有10000人的七个特征。
张量具有“形状”，它的形状是一个水桶，即装着我们的数据也定义了张量的最大尺寸。我们可以把所有人的数据放进二维张量中，它是（10000,7）。
你也许想说它有10000列，7行。
不。
张量能够被转换和操作，从而使列变为行或者行变为列。
3维张量
这时张量真正开始变得有用，我们经常需要把一系列的二维张量存储在水桶中，这就形成了3维张量。
在NumPy中，我们可以表示如下：