TensorFlow中的Tensor是什么？

随着越来越多的机器学习研究者使用TensorFlow作为作为其研究工具，我们有必要了解一下什么是TensorFlow。

“Flow”似乎容易理解，不管是音乐（可以视为数据的一种）还是其他数据，只要“流动”起来，都可以视为“Flow”。那么Tensor（张量）又是什么呢？

张量产生的背景

在物理学研究中，科学家的目的是要用数学量来表示物理量，可是到了一定阶段标量加上向量，都不足以表达所有的物理量，所以就需要扩大数学量的概念，于是“张量”就出现了。

张量的概念

几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。

张量定义

张量的严格定义是利用线性映射来描述的。与矢量相类似，定义由若干坐标系改变时满足一定坐标转化关系的有序数组成的集合为张量。从几何角度讲，它是一个真正的几何量，也就是说，它是一个不随参照系的坐标变换（其实就是基向量变化）而变化的东西。最后结果就是基向量与对应基向量上的分量的组合（也就是张量）保持不变，比如一阶张量（向量）a可表示为a = x*i + y*j。由于基向量可以有丰富的组合，张量可以表示非常丰富的物理量以及其他很多维数据结构（可以视为复杂数据结构的“容器”）。

讲到这里，我们可以认为TensaorFlow是一个对高维数组进行各种计算的工具。

比如图形RGB文件（用于机器学习中的图像识别）中包含三种原色（红、绿、蓝）和位置信息的数据：

或者一个包含n种商品在m天里每分钟高开低收价格的数组（用于设计量化交易策略）。

换一种定义方式

一个(p,q)型张量，就是一个映射：

其中V是矢量空间，V*是对应的对偶空间。

举一些例子：

如果一个物理量，在物体的某个位置上只是一个单值，那么就是普通的标量，比如密度。如果它在同一个位置、从不同的方向上看，有不同的值，而且这个数恰好可以用矩阵乘观察方向来算出来，就是张量。

张量的理解：张量是有大小和多个方向的量。这里的方向就是指张量的阶数。

空间维度n：一般我们观察3维空间，也可以是4维及以上维度。

张量阶数m：在固定的3维度空间再谈张量的阶数，阶数小于等于维数，即m （1， 1）可表示一个从（0， 0）到（1， 1）的有向线段（向量），那么，为什么可以用[0, 1]表示一个向量呢？

根据前面的讲解，我们知道一个向量就是空间中的一条有向线段，可以用一组坐标系的基和向量相应分量的乘积组合来表示。由于坐标系有很多种定义方式，基也就有很多种，对应的分量也会有很多种，但如果大家默认使用同一套基向量，那么基向量都不需要了，此时，想要表示一个向量，只要给定这三个分量即可，比如用0, 1表示一个向量，如果加上两个括号，这就是我们在书上经常看到的向量的列表示（0， 1），三维的有（1， 2， 1）。

当我们知道了TensorFlow其实是一个采用数据流图（data flow graphs），用于高维数据数值计算的开源软件库，我们就可以看看它能为我们解决什么问题了。

— — — — — — E N D — — — — — —
往期文章：
Numpy处理tick级别数据技巧
真正赚钱的期权策略曲线是这样的
多品种历史波动率计算
如何实现全市场自动盯盘
AI是怎样看懂研报的
真格量化策略debug秘籍
真格量化对接实盘交易
常见高频交易策略简介
如何用撤单函数改进套利成交
Deque提高处理队列效率
策略编程选Python还是C++
如何用Python继承机制节约代码量
十大机器学习算法
如何调用策略附件数据
如何使用智能单
如何扫描全市场跨月价差
如何筛选策略最适合的品种
活用订单类型规避频繁撤单风险
真格量化回测撮合机制简介
如何调用外部数据
如何处理回测与实盘差别
如何利用趋势必然终结获利
常见量化策略介绍
期权交易“七宗罪”
波动率交易介绍
推高波动率的因素
波动率的预测之道
趋势交易面临挑战
如何构建知识图谱
机器学习就是现代统计学
AI技术在金融行业的应用
如何避免模型过拟合
低延迟交易介绍
架构设计中的编程范式
交易所视角下的套利指令撮合
距离概念与特征识别
气象风险与天气衍生品
设计量化策略的七个“大坑”
云计算在金融行业的应用
机器学习模型评估方法
真格量化制作期权HV-IV价差
另类数据介绍

真格量化可访问：
https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887

TensorFlow中的Tensor是什么？

浏览过的版块