TensorFlow2.0基础--张量（Tensor）

    首先比较一下Python列表（list）、Numpy数组（ndarray）、Tensorflow张量（Tensor）之间的区别：
       >>  Python列表：
       		元素可以使用不同的数据类型，可以嵌套
       		在内存中不是连续存放的，是一个动态的指针数组
       		读写效率低，占用内存空间大
       		不适合做数值计算
       	>> Numpy数组：
       		 元素数据类型相同
       		 每个元素在内存中占用的空间相同，存储在一个连续的内存区域中
       		 存储空间小，读取和写入速度快
       		 不能够主动检测利用GPU进行运算，只能运行在CPU上
       	>> TensorFlow张量
       	      可以高速运行于GPU和TPU之上，实现神经网络和深度学习中的复杂算法
    
       *** 张量和numpy数组：
          ① 张量可看成将numpy数组进一步封装，使其可以执行TensorFlow中的API，且可以运行与GPU/TPU；
          ② 在TensorFlow中，所有运算都是在张量之间进行的； Numpy数组仅仅是作为输入和输出使用，不参与运算；
          ③ 张量可以运行于CPU /GPU/TPU; 而Numpy数组只能运行在CPU中。

1、创建Tensor对象 – tf.constant()函数

张量由Tensor类实现，每个张量都是一个Tensor对象。
 
函数格式：tf.constant(value, dtype, shape)
                value:  可以是数字、Python列表、numpy数组、布尔型、字符串等
                dtype:  元素的数据类型
                shape： 张量的形状

注意点：

1、TensorFlow2中的所有张量，都可以通过 .numpy()的方法，得到它对应的数组
2、TensorFlow创建浮点数张量时，默认是32位浮点数；
3、输出的形状shape=()表示是0维张量/数字/标量；
4、numpy创建浮点数组时，默认是64位浮点数，当使用numpy数组创建张量时，
TensorFlow会接受numpy数组元素的数据类型，使用64位浮点数保存数据
5、布尔型转换为整数--》 0：False, 1:True；
6、整型变量装换为布尔型，将非0数字都视为True; 0视为False。

示例：

import tensorflow as tf
import numpy as np

tf1 = tf.constant([[1,2],[3,4]])   # 1、参数为Python列表
#print(tf1)
#print(tf1.numpy())   # 2、TensorFlow2中的所有张量，都可以通过 .numpy()的方法，得到它对应的数组

tf2 = tf.constant(1.0)  # 3、参数为数字   --> 也可以写成 tf.constant(1.)
print(tf2)              # 4、 TensorFlow创建浮点数张量时，默认是32位浮点数；输出中 shape=()表示是0维张量/数字/标量

tf3 = tf.constant(np.array([1,2]))   #  5、参数为numpy数组。 numpy创建浮点数组时，默认是64位浮点数，当使用numpy数组创建张量时，TensorFlow会接受numpy数组元素的数据类型，使用64位浮点数保存数据

tf.constant(1.0, dtype=tf.float64) # 6、创建张量时，指定元素的数据类型

tf4 = tf.constant(True)  # 参数为布尔型
a = tf.constant([True,False])
# 输出：tf.Tensor([1 0], shape=(2,), dtype=int32)
print(tf.cast(a, tf.int32))