【深度学习】ndim与shape，还有rank
xlwin136 人工智能教学实践 2025年03月24日 12:56
在深度学习中，ndim、shape 和 rank 是与张量（Tensor）相关的重要概念，它们从不同角度描述了张量的结构信息，下面分别详细介绍。
1. ndim
含义：
ndim是number of dimensions的缩写，代表张量的维度数量，也就是张量轴的数量。在 Python 的 NumPy 库和 TensorFlow 等深度学习框架中，都可以使用ndim属性来获取张量的维度数。示例
import numpy as np
# 0 维张量（标量）
scalar = np.array(5)
print("标量的维度数:", scalar.ndim)
# 1 维张量（向量）
vector = np.array([1, 2, 3])
print("向量的维度数:", vector.ndim)
# 2 维张量（矩阵）
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print("矩阵的维度数:", matrix.ndim)
# 3 维张量
tensor_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("3 维张量的维度数:", tensor_3d.ndim)
解释：标量没有方向，所以维度数为 0；向量是一维的，有一个方向，维度数为 1；矩阵有行和列两个方向，维度数为 2；3 维张量可以想象成多个矩阵堆叠在一起，维度数为 3。
2. shape
含义：
shape表示张量在每个维度上的大小，它返回一个元组，元组中的每个元素对应张量在相应维度上的长度。shape可以帮助我们了解张量的具体结构和大小。示例
import numpy as np
# 0 维张量（标量）
scalar = np.array(5)
print("标量的 shape:", scalar.shape)
# 1 维张量（向量）
vector = np.array([1, 2, 3])
print("向量的 shape:", vector.shape)
# 2 维张量（矩阵）
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print("矩阵的 shape:", matrix.shape)
# 3 维张量
tensor_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("3 维张量的 shape:", tensor_3d.shape)
解释：标量没有维度，所以
shape是一个空元组；向量的shape元组只有一个元素，表示向量中元素的数量；矩阵的shape元组有两个元素，分别表示矩阵的行数和列数；3 维张量的shape元组有三个元素，依次表示张量的层数、行数和列数。
3. rank
含义：在深度学习框架中，
rank与ndim含义相同，都表示张量的维度数量。例如在 TensorFlow 中，rank用来描述张量的维度数。示例
import tensorflow as tf
# 0 维张量（标量）
scalar = tf.constant(5)
print("标量的 rank:", tf.rank(scalar).numpy())
# 1 维张量（向量）
vector = tf.constant([1, 2, 3])
print("向量的 rank:", tf.rank(vector).numpy())
# 2 维张量（矩阵）
matrix = tf.constant([[1, 2, 3], [4, 5, 6]])
print("矩阵的 rank:", tf.rank(matrix).numpy())
# 3 维张量
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("3 维张量的 rank:", tf.rank(tensor_3d).numpy())
解释：通过
tf.rank()函数可以获取 TensorFlow 张量的rank，其结果与使用ndim获取的维度数是一致的。
综上所述，ndim 和 rank 都用于描述张量的维度数量，而 shape 则进一步详细说明了张量在每个维度上的具体大小。这些概念在深度学习的数据处理、模型构建和训练过程中都非常重要。
