TensorFlow基本–张量 – AI-Dog

里面的所有数据都以张量的形式表示。从函数的角度来看，张量可以简单理解为多维数据，其中零阶张量表示一个标量（一个数），一阶张量是一个向量（一维数组）， n阶向量可以理解为n维数组。

但是实现并不是直接以数组的形式，它只是对操作结果的引用。实际数字不存储在张量中，它是如何获得这些数字的计算。

import tensorflow as tf
# tf.constant是一个计算，这个计算的结果是一个张量保存在变量a中
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([3.0, 4.0], name="b")
c = tf.constant([1.0, 1.0, 1.0], name="c")
result = tf.add(a, b, name="add")
print(result)
print(a)
print(c)
"""
Tensor("add:0", shape=(2,), dtype=float32)
Tensor("a:0", shape=(2,), dtype=float32)
Tensor("c:0", shape=(3,), dtype=float32)
"""

从输出结果可以看出，NumPy中的张量与NumPy中的数组不同。计算的结果不是一个具体的数字，而是一个张量结构。一个()主要保存三个属性：name（名称）、（形状）、type（类型）

name属性是一个张量的唯一标识符，也给出了张量的计算方式

shape属性是张量的维度，描述了张量的维度信息（程序中a变量的维度为2，c的维度为3）

type 属性表示一个张量只有一个唯一的类型

如果没有指定类型，则给出默认类型。默认 int32 不带小数点，默认带小数点。由于使用默认类型可能会导致类型不匹配问题，所以一般用dtype来表示变量或常量的类型。

支持14种数据类型，主要包括：实数（tf.、tf.）、整数（tf.int8、tf.int16、tf.int32、tf.int64、tf.uint8）、布尔（ tf.bool),复数(,)

张量的使用主要分为两类：一、对中间计算结果的引用；二、计算图构建完成后，可用于获取计算结果（个数）

# 使用张量计算中间结果
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([3.0, 4.0], name="b")
result = tf.add(a, b, name="add")
# 获取张量的维度信息
print(result.get_shape)
# tf.Session().run(result)可得到计算结果
print(tf.Session().run(result))
 
"""
输出
<bound method Tensor.get_shape of >
[4. 6.]
"""