TensorFlow資料模型張量

1.張量的概念

從功能上看，張量可以被理解成多維陣列。零階張量表示標量(scalar)，也就是乙個數。張量在tensorflow中的實現並不是採用陣列的形式，它只是對tensorflow中的運算結果的引用。在張量中並沒有真正儲存數字，它儲存的是如何得到這些數字的計算過程。

import tensorflow as tf
a=tf.constant([[1.0,2.0],[2.0,3.0]],name='a')
b=tf.constant([[1.0,2.0],[3.0,4.0]],name='b')
result=a+b
print(result)

執行上面的**，輸出是

tensor("add:0", shape=(2, 2), dtype=float32)

並沒有輸出result的值，輸出的是對結果的乙個引用。根據輸出結果，不難發現，張量的三個重要屬性：name、shape、type；日常使用尤其要注意type這個屬性，一旦參與運算的變數屬性不匹配，往往會報錯。

import tensorflow as tf
a=tf.constant([[1,2],[2,3]],name='a')
b=tf.constant([[1.0,2.0],[3.0,4.0]],name='b')
result=a+b
print(result)

將a的型別改為整數，這段**會報錯

valueerror: tensor conversion requested dtype int32 for tensor with dtype float32: 'tensor("b:0", shape=(2, 2), dtype=float32)'

如果不指定型別，tensorflow會給出缺省的型別，不帶小數點的數被預設為int32，帶小數點的會預設為float32。

TensorFlow資料模型 張量