Tensorflow01 認識張量Tensor

相較於1.0，tensorflow2.0是一次重大革命性的改進，主要是以下幾個方面。

（1）1.0 使用的是靜態圖機制，即分為構建階段和部署階段，構建階段只描述了計算圖，並沒有實質的進行計算，而是在執行階段中，在會話層進行統一的一次性計算，優點是高效節省資源，卻沒有中間結果，程式不夠簡潔，不宜除錯。

2.0 預設使用的是動態圖機制，可以立刻執行計算並返回結果，所以可以快速的建立和除錯模型。但也可以指定靜態圖機制提高效率。2.0的方法是：兼顧易用性和執行效率，在程式除錯階段使用動態圖，快速建立模型、除錯程式；在部署階段，採用靜態圖機制，從而提高模型的效能和部署能力。

（2）1.0有很多重複冗餘的api，不利於程式共享，維護成本高。2.0 清理、整合了重複的api，將tf.keras作為構建和訓練模型的標準高階api

（3）將 eager execution 作為預設執行模式。

tensorflow 中張量是由 tensor 類實現，每個張量都是乙個 tensor 物件。

其實，張量就是多維陣列，像是 python 自帶的列表 list，numpy 中的陣列物件 ndarray，他們都可以作為資料的載體，但他們之間也有一些區別：

python 中的列表（list）：

numpy陣列（ndarray）：

tensorflow張量（tensor）：

為了降低初學者的難度，tensorflow的基本運算、引數命名、運算規則、api的設計等與numpy非常相近，所以有了numpy 的基礎，tensorflow是很容易入手的。

下面對三種 value 引數：數字，python原生列表，numpy陣列分別給出詳細說明。

其中，id是張量的序號，由系統自動按順序給出。

通過numpy() 得到張量對應的 numpy 陣列，通過 type(a) ，可以知道這是乙個 eager 模式的張量。

張量元素的資料型別

在建立張量時，指定元素的資料型別。

要使用 tf.資料型別，否則報錯

可以使用 tf.is_tensor()函式判斷是否是張量物件。

也可以使用python函式，isinstance()函式，判斷指定物件是否屬於指定的類。

注意：shape 可以用圓括號或方括號，(2, 1) 或 [2, 1]

為了避免混淆，建議使用時加上引數。

tensorflow 中使用 tf.random 模組建立隨機數張量，包括正態分佈、截斷正態分佈、均勻分布張量等。

注：只說明第乙個引數 shape 時，則預設建立標準正態分佈，即均值為 0，標準差為 1.

返回的是乙個截斷的正態分佈，是保證生成的正態分佈在 -2μ ~ 2μ 之間，如果不在則會重新生成，保證了生成值在均值附近。

我們在使用 tf.random 模組生成隨機張量時，可以通過tf.random.set_seed() 函式設定隨機數種子，相同的種子可以產生相同的值。

可以使用函式 tf.random.shuffle() 函式隨機打亂傳入引數的第一維資料。

和 python 、numpy中的range函式一樣，tensorflow 可以使用 range() 建立一段序列張量。

ndim、shape、dtype：維度、形狀、資料型別。

獲取tensor物件的形狀、元素總數和維度

以上便是tensorflow中的張量介紹。