TensorFlow基本--张量

在TensorFlow中所有的数据都通过张量的形式表示，从功能上看张量可以被简单的理解为多维数据，其中零阶张量表示标量（一个数），第一阶张量为向量（一个一维数组），第n阶向量可以理解为一个n维数组。

但是TensorFlow中实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有保存真正的数字，它保存的是如何得到这些数字的计算过程。

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TensorFlow中的张量和NumPy中的数组不同，TensorFlow计算的结果不是一个具体的数字，而是一个张量结构，一个张量（tensor）中主要保存了三个属性：名字（name）， 维度（shape），类型（type）

name属性是一个张量的唯一标识符，同样也给出了这个张量是如何计算出来的

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的为3）

type属性表示出一个张量只有一个唯一的类型

如果不指定type，TensorFlow会给出默认类型。不带小数点的默认int32，带小数点的默认float32。由于使用默认类型可能会带来类型不匹配的问题，一般会通过dtype来明确指出变量或常量的类型。

TensorFlow支持14种数据类型，主要包括：实数（tf.float32, tf.float64）,整数（tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8）,布尔型（tf.bool）, 复数（tf.complex64, tf.complex128）

张量的使用主要分为两类：一，对中间计算结果的引用；二，计算图构造完成后可以用来获取计算结果（数字）

# 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 <tf.Tensor 'add:0' shape=(2,) dtype=float32>>
[4. 6.]
 
"""