TensorFlow基本--張量

在TensorFlow中所有的數據都通過張量的形式表示，從功能上看張量可以被簡單的理解為多維數據，其中零階張量表示標量（一個數），第一階張量為向量（一個一維數組），第n階向量可以理解為一個n維數組。

但是TensorFlow中實現並不是直接采用數組的形式，它只是對TensorFlow中運算結果的引用。在張量中並沒有保存真正的數字，它保存的是如何得到這些數字的計算過程。

import tensorflow as tf
# tf.constant是一個計算，這個計算的結果是一個張量保存在變量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)
"""

 

從輸出結果可以看出TensorFlow中的張量和NumPy中的數組不同，TensorFlow計算的結果不是一個具體的數字，而是一個張量結構，一個張量（tensor）中主要保存了三個屬性：名字（name）， 維度（shape），類型（type）

name屬性是一個張量的唯一標識符，同樣也給出了這個張量是如何計算出來的

shape屬性是張量的維度，描述了張量的維度信息（程序中a變量的維度為2， c的為3）

type屬性表示出一個張量只有一個唯一的類型

 

如果不指定type，TensorFlow會給出默認類型。不帶小數點的默認int32，帶小數點的默認float32。由於使用默認類型可能會帶來類型不匹配的問題，一般會通過dtype來明確指出變量或常量的類型。

TensorFlow支持14種數據類型，主要包括：實數（tf.float32, tf.float64）,整數（tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8）,布爾型（tf.bool）, 復數（tf.complex64, tf.complex128）

張量的使用主要分為兩類：一，對中間計算結果的引用；二，計算圖構造完成后可以用來獲取計算結果（數字）

# 使用張量計算中間結果
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")

# 獲取張量的維度信息
print(result.get_shape)
# tf.Session().run(result)可得到計算結果
print(tf.Session().run(result))
 
"""
輸出
<bound method Tensor.get_shape of <tf.Tensor 'add:0' shape=(2,) dtype=float32>>
[4. 6.]

"""