3. TensorFlow核心数据结构：张量

好，咱们今天来聊聊TensorFlow里最核心的东西——张量。说白了，张量就是TensorFlow中的数据载体。你喂给模型的数据是张量，模型吐出来的结果也是张量。我刚开始学的时候，总觉得这玩意儿有点抽象，后来用多了才发现，它其实就是个「装了数据的多维数组」。

3.1 张量的创建

创建张量的方式有很多，我挑几个最常用的给你说说。

3.1.1 从Python列表或NumPy数组创建

最直接的方式，就是用 tf.constant()。你给它一个Python列表，它就给你返回一个张量。

import tensorflow as tf

# 创建一个标量（0维张量）
scalar = tf.constant(3.14)
print(scalar)

# 创建一个向量（1维张量）
vector = tf.constant([1.0, 2.0, 3.0])
print(vector)

# 创建一个矩阵（2维张量）
matrix = tf.constant([[1, 2], [3, 4]])
print(matrix)

# 创建一个3维张量
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(tensor_3d)

嗯，这里要注意：tf.constant() 创建的是不可变的张量。什么意思？就是一旦创建，里面的值就不能改了。我在项目中遇到过这种情况——一开始用 tf.constant() 存模型参数，结果训练时报错，才发现这玩意儿不能更新。后来改用 tf.Variable() 才搞定。

3.1.2 创建特殊张量

有时候我们需要一些特定值的张量，比如全0、全1或者随机数。TensorFlow提供了很方便的函数。

# 全0张量
zeros = tf.zeros([3, 4])
print(zeros)

# 全1张量
ones = tf.ones([2, 3])
print(ones)

# 填充指定值
filled = tf.fill([2, 2], 7)
print(filled)

# 随机正态分布
random_normal = tf.random.normal([3, 3], mean=0.0, stddev=1.0)
print(random_normal)

# 随机均匀分布
random_uniform = tf.random.uniform([3, 3], minval=0, maxval=10)
print(random_uniform)

我个人习惯在初始化权重时用 tf.random.normal()，配合 tf.Variable() 一起用。你想想看，如果全用0初始化，那所有神经元学到的梯度都一样，模型就废了。

3.1.3 从NumPy数组转换

TensorFlow和NumPy的兼容性很好。你可以直接把NumPy数组转成张量。

import numpy as np

# NumPy数组
np_array = np.array([[1, 2], [3, 4]], dtype=np.float32)

# 转成张量
tensor_from_np = tf.convert_to_tensor(np_array)
print(tensor_from_np)

# 反过来，张量也可以转成NumPy数组
back_to_np = tensor_from_np.numpy()
print(back_to_np)

我记得有一次做数据预处理，数据全是NumPy格式的，直接喂给模型报类型错误。后来发现用 tf.convert_to_tensor() 转一下就好了。这个小坑，你记住了。

3.2 张量的属性：shape、dtype、rank

每个张量都有三个基本属性：形状（shape）、数据类型（dtype）和维度（rank）。这三个属性决定了张量的「长相」和「脾气」。

3.2.1 shape（形状）

shape描述的是张量每个维度的大小。比如一个形状为 [3, 4] 的张量，表示它有3行4列。

tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
print(tensor.shape)  # 输出: (2, 3)
print(tensor.shape[0])  # 输出: 2
print(tensor.shape[1])  # 输出: 3

shape在模型调试时特别有用。我曾经遇到过模型输出形状和预期不匹配的情况，打印一下shape就发现问题了——原来是某个卷积层的padding设置不对。

3.2.2 dtype（数据类型）

dtype指定了张量中元素的类型。常见的有 tf.float32、tf.int32、tf.bool 等。

tensor_float = tf.constant([1.0, 2.0], dtype=tf.float32)
tensor_int = tf.constant([1, 2], dtype=tf.int32)
tensor_bool = tf.constant([True, False], dtype=tf.bool)

print(tensor_float.dtype)  # 输出: <dtype: 'float32'>
print(tensor_int.dtype)    # 输出: <dtype: 'int32'>
print(tensor_bool.dtype)   # 输出: <dtype: 'bool'>

3.2.3 rank（维度）

rank指的是张量的维度数量。标量的rank是0，向量的rank是1，矩阵的rank是2，以此类推。

scalar = tf.constant(5)
vector = tf.constant([1, 2, 3])
matrix = tf.constant([[1, 2], [3, 4]])
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

print(tf.rank(scalar))  # 输出: 0
print(tf.rank(vector))  # 输出: 1
print(tf.rank(matrix))  # 输出: 2
print(tf.rank(tensor_3d))  # 输出: 3

说白了，rank就是看你有几层方括号。一层是向量，两层是矩阵，三层就是三维张量。这个很好理解。

3.3 张量的索引与切片

索引和切片是操作张量的基本功。TensorFlow的索引方式和Python列表、NumPy数组很像，但也有一些自己的特点。

3.3.1 基本索引

你可以用方括号加索引来访问张量中的元素。索引从0开始。

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 访问第1行第2列的元素
element = tensor[0, 1]
print(element)  # 输出: 2

# 访问第2行
row = tensor[1]
print(row)  # 输出: [4, 5, 6]

# 访问第3列
col = tensor[:, 2]
print(col)  # 输出: [3, 6, 9]

这里用冒号 : 表示「所有行」或「所有列」。你想想看，tensor[:, 2] 就是取所有行的第3列，很直观。

3.3.2 切片操作

切片可以取张量的一部分。语法是 start:stop:step，和Python列表一样。

tensor = tf.constant([[1, 2, 3, 4], 
                      [5, 6, 7, 8], 
                      [9, 10, 11, 12]])

# 取前两行，第2到第4列
slice1 = tensor[0:2, 1:4]
print(slice1)  
# 输出: [[2, 3, 4], [6, 7, 8]]

# 取所有行，每隔一列取一个
slice2 = tensor[:, ::2]
print(slice2)  
# 输出: [[1, 3], [5, 7], [9, 11]]

# 取第1行和第3行，所有列
slice3 = tensor[::2, :]
print(slice3)  
# 输出: [[1, 2, 3, 4], [9, 10, 11, 12]]

3.3.3 高级索引

有时候我们需要取不连续的行或列，这时候可以用列表或张量来索引。

tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 取第1行和第3行
rows = tf.gather(tensor, [0, 2])
print(rows)  
# 输出: [[1, 2, 3], [7, 8, 9]]

# 取第1列和第3列
cols = tf.gather(tensor, [0, 2], axis=1)
print(cols)  
# 输出: [[1, 3], [4, 6], [7, 9]]

# 布尔索引
mask = tf.constant([True, False, True])
masked = tf.boolean_mask(tensor, mask, axis=0)
print(masked)  
# 输出: [[1, 2, 3], [7, 8, 9]]

我个人觉得 tf.gather() 在数据预处理时特别好用。比如你要从数据集中随机抽取一批样本，用 tf.gather() 配合随机索引就能轻松搞定。

3.3.4 维度变换与切片结合

有时候我们需要先改变张量的形状，再做切片。比如处理图像数据时，经常需要把 [batch, height, width, channels] 格式的张量切分成单张图片。

# 模拟一个batch的图片数据
batch_images = tf.random.normal([4, 28, 28, 3])

# 取第一张图片
first_image = batch_images[0]
print(first_image.shape)  # 输出: (28, 28, 3)

# 取前两张图片
first_two = batch_images[:2]
print(first_two.shape)  # 输出: (2, 28, 28, 3)

# 取所有图片的左上角14x14区域
cropped = batch_images[:, :14, :14, :]
print(cropped.shape)  # 输出: (4, 14, 14, 3)

嗯，这里要注意：切片操作返回的张量维度可能会减少。比如从 [4, 28, 28, 3] 中取 batch_images[0]，得到的形状是 [28, 28, 3]，少了一维。如果你想保持4维，可以用 batch_images[0:1] 或者 tf.expand_dims()。

好了，张量的基础知识就这些。你把这些练熟了，后面学模型构建、训练流程就会轻松很多。下一章咱们聊聊张量的运算，那才是真正开始「玩」TensorFlow的时候。