tensorflow框架基础之Tensor

Tensor的概念

在Tensorflow中，所有的数据都通过张量的形式表示

零阶张量表示标量，即一个数；一阶张量为向量，即一维数组；n阶张量理解为一个n维的数组；但是张量不真正的保存数字，它保存的是如何得道这些数字的计算过程，即操作。

import tensorflow as tfa = tf.constant([1.0, 2.0], name="a")b = tf.constant([2.0, 3.0], name="b")result = a + bprint result'''result：Tensor("add:0", shape=(2,), dtype=float32)'''

运行得到的是对结果的引用，而不是加法的结果。这种结果也是一个张量，主要保存了三个重要属性(当然也具有其他属性)：name、shape(张量维度)、type(张量类型).

TF 的计算由计算图模型构成，每个节点代表一个计算，计算的结果保存在张量中。因此计算图的节点所代表的计算结果与张量相对应。

name
张量的唯一标识符，同时可以看出他的计算方式，如result是add加法计算后的结果。
张量的命名形式：“node:src_output”；

• node：节点名称
• src_output：张量来自节点的第几个输出(从0开始编号)

Tensor的使用

# 第一种：使用张良记录中间结果a = tf.constant([1.0, 2.0], name='a')b = tf.constant([1.0, 2.0], name='b')result = a + b# 第二种：直接计算向量的结果，但可读性差c = tf.constant([1.0, 2.0], name='a') + tf.constant([1.0, 2.0], name='b')