1，首先比较二者的参数部分：这就是处理0阶张量和1阶张量的区别 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 ...

张量的操作主要包括张量的结构操作和张量的数学运算。 张量结构操作诸如：张量创建，索引切片，维度变换，合并分割。 张量数学运算主要有：标量运算，向量运算，矩阵运算。另外我们会介绍张量运算的广播机制。 本篇我们介绍张量的数学运算。 一，标量运算 张量的数学运算符可以分为标量运算符、向量运算 ...

对于对数运算，Tensorflow中之提供了e为底数的对数运算tf.math.log(x)，如果想要自定义底数，可以利用换底公式 张量运算的广播机制：如果一个高维张量和低维张量相乘，则会将低维张量广播到高维张量上。例如一个2维张量 ...

标量：只有大小，没有方向 向量：有大小，有方向 在选定了x,y,z坐标轴之后，我们可以用(7,5,6)表示图中的向量。 那么，什么是张量那？ 我们用物理中的一个概念引入张量的概念。 假设我们有一个空心的立方体，立方体中充满着气体，我们通过Force=Stress*Area 可以求得立方体 ...

如果一个张量有很多为0的值，那么这个张量被称为稀疏张量。 让我们来看这样的一个一维的稀疏张量 同一个张量的稀疏表示只关注非零值 同时我们也必须通过索引记住非零值出现的位置。 有了值和索引，然而信息还不够充分，该张量有多少个零？因此我们要记住该张量 ...

结论：1.张量与数组运算，张量必须在cpu上，产生结果为cpu上的张量，可继续与数组运算(张量必须在gpu上) 　　　2.张量与张量运算，cpu上的张量与gpu上的张量是无法运行的，必须在相同的gpu上或cpu上，猜想不同型号的gpu因该也不行。 一.张量与数组运算，前提张量 ...

在TensorFlow中所有的数据都通过张量的形式表示，从功能上看张量可以被简单的理解为多维数据，其中零阶张量表示标量（一个数），第一阶张量为向量（一个一维数组），第n阶向量可以理解为一个n维数组。 但是TensorFlow中实现并不是直接采用数组的形式，它只是对TensorFlow中运算 ...

目录 张量的概念 创建张量 张量的数据类型 NumPy数据转换 固定张量 全0张量 全1张量 元素值相同的张量 随机数张量 正态分布 ...