Keras Input_shape 與Input_tensor

首先你要知道在keras中,數(shù)據(jù)是以張量的形式表示的棚品,張量的形狀就是shape靠欢,比如弥姻,一個一階的張量[1,2,3]的shape是(3,);一個二階的張量[[1,2,3],[4,5,6]]的shape是(2,3);一個三階的張量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)。更多關(guān)于這部分的內(nèi)容掺涛,請看http://blog.csdn.net/u013378306/article/details/56281549庭敦。

input_shape就是指輸入張量的shape。你描述的問題中薪缆, input_dim=784秧廉,說明輸入是一個784維的向量,這相當于一個一階的張量拣帽,它的shape就是(784,)疼电。因此,input_shape=(784,)减拭。



張量的階蔽豺、形狀、數(shù)據(jù)類型

TensorFlow用張量這種數(shù)據(jù)結(jié)構(gòu)來表示所有的數(shù)據(jù).你可以把一個張量想象成一個n維的數(shù)組或列表.一個張量有一個靜態(tài)類型和動態(tài)類型的維數(shù).張量可以在圖中的節(jié)點之間流通.

在TensorFlow系統(tǒng)中拧粪,張量的維數(shù)來被描述為階.但是張量的階和矩陣的階并不是同一個概念.張量的階(有時是關(guān)于如順序或度數(shù)或者是n維)是張量維數(shù)的一個數(shù)量描述.比如修陡,下面的張量(使用Python中l(wèi)ist定義的)就是2階.

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以認為一個二階張量就是我們平常所說的矩陣,一階張量可以認為是一個向量.對于一個二階張量你可以用語句t[i, j]來訪問其中的任何元素.而對于三階張量你可以用't[i, j, k]'來訪問其中的任何元素.

階數(shù)學(xué)實例Python 例子

0純量 (只有大小)s = 483

1向量(大小和方向)v = [1.1, 2.2, 3.3]

2矩陣(數(shù)據(jù)表)m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

33階張量 (數(shù)據(jù)立體)t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]

nn階 (自己想想看)....

形狀

TensorFlow文檔中使用了三種記號來方便地描述張量的維度:階可霎,形狀以及維數(shù).下表展示了他們之間的關(guān)系:

階形狀維數(shù)實例

0[ ]0-D一個 0維張量. 一個純量.

1[D0]1-D一個1維張量的形式[5].

2[D0, D1]2-D一個2維張量的形式[3, 4].

3[D0, D1, D2]3-D一個3維張量的形式 [1, 4, 3].

n[D0, D1, ... Dn]n-D一個n維張量的形式 [D0, D1, ... Dn].

shape [2,3] 表示為數(shù)組的意思是第一維有兩個元素魄鸦,第二維有三個元素,如: [[1,2,3],[4,5,6]]

[html]view plaincopy

```python

#?2-D?tensor?`a`

a=tf.constant([1,?2,?3,?4,?5,?6],shape=[2,?3])?=>[[1.?2.?3.]

[4.?5.?6.]]

#?2-D?tensor?`b`

b=tf.constant([7,?8,?9,?10,?11,?12],shape=[3,?2])?=>[[7.?8.]

[9.?10.]

[11.?12.]]

c=tf.matmul(a,?b)?=>[[58?64]

[139?154]]

#?3-D?tensor?`a`

a=tf.constant(np.arange(1,13),shape=[2,?2,?3])?=>[[[?1.??2.??3.]

[?4.??5.??6.]],

[[?7.??8.??9.]

[10.?11.?12.]]]

#?3-D?tensor?`b`

b=tf.constant(np.arange(13,25),shape=[2,?3,?2])?=>[[[13.?14.]

[15.?16.]

[17.?18.]],

[[19.?20.]

[21.?22.]

[23.?24.]]]

c=tf.matmul(a,?b)?=>[[[?94?100]

[229?244]],

[[508?532]

[697?730]]]

tensorflow中有一類在tensor的某一維度上求值的函數(shù)癣朗,

如:

求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)

求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

參數(shù)(1)input_tensor:待求值的tensor拾因。

參數(shù)(2)reduction_indices:在哪一維上求解。

參數(shù)(3)(4)可忽略

舉例說明:

# 'x' is [[1., 2.]#? ? ? ? [3., 4.]]

x是一個2維數(shù)組旷余,分別調(diào)用reduce_*函數(shù)如下:

首先求平均值绢记,

tf.reduce_mean(x) ==> 2.5 #如果不指定第二個參數(shù),那么就在所有的元素中取平均值tf.reduce_mean(x,0) ==> [2.,3.] #指定第二個參數(shù)為0正卧,則第一維的元素取平均值蠢熄,即每一列求平均值tf.reduce_mean(x,1) ==> [1.,2.] #指定第二個參數(shù)為1,則第二維的元素取平均值穗酥,即每一行求平均值

同理护赊,還可用tf.reduce_max()求最大值。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末砾跃,一起剝皮案震驚了整個濱河市骏啰,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌抽高,老刑警劉巖判耕,帶你破解...
    沈念sama閱讀 211,743評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異翘骂,居然都是意外死亡壁熄,警方通過查閱死者的電腦和手機帚豪,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來草丧,“玉大人狸臣,你說我怎么就攤上這事〔矗” “怎么了烛亦?”我有些...
    開封第一講書人閱讀 157,285評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長懂拾。 經(jīng)常有香客問我煤禽,道長,這世上最難降的妖魔是什么岖赋? 我笑而不...
    開封第一講書人閱讀 56,485評論 1 283
  • 正文 為了忘掉前任檬果,我火速辦了婚禮,結(jié)果婚禮上唐断,老公的妹妹穿的比我還像新娘选脊。我一直安慰自己,他們只是感情好栗涂,可當我...
    茶點故事閱讀 65,581評論 6 386
  • 文/花漫 我一把揭開白布知牌。 她就那樣靜靜地躺著,像睡著了一般斤程。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上菩混,一...
    開封第一講書人閱讀 49,821評論 1 290
  • 那天忿墅,我揣著相機與錄音,去河邊找鬼沮峡。 笑死疚脐,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的邢疙。 我是一名探鬼主播棍弄,決...
    沈念sama閱讀 38,960評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼疟游!你這毒婦竟也來了呼畸?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,719評論 0 266
  • 序言:老撾萬榮一對情侶失蹤颁虐,失蹤者是張志新(化名)和其女友劉穎蛮原,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體另绩,經(jīng)...
    沈念sama閱讀 44,186評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡儒陨,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,516評論 2 327
  • 正文 我和宋清朗相戀三年花嘶,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蹦漠。...
    茶點故事閱讀 38,650評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡椭员,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出笛园,到底是詐尸還是另有隱情隘击,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布喘沿,位于F島的核電站闸度,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏蚜印。R本人自食惡果不足惜莺禁,卻給世界環(huán)境...
    茶點故事閱讀 39,936評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望窄赋。 院中可真熱鬧哟冬,春花似錦、人聲如沸忆绰。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽错敢。三九已至翰灾,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間稚茅,已是汗流浹背纸淮。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留亚享,地道東北人咽块。 一個月前我還...
    沈念sama閱讀 46,370評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像欺税,于是被迫代替她去往敵國和親侈沪。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 43,527評論 2 349

推薦閱讀更多精彩內(nèi)容