TensorFlow数据模型——张量

1.张量的概念

从功能上看，张量可以被理解成多维数组。零阶张量表示标量(Scalar)，也就是一个数。张量在TensorFlow中的实现并不是采用数组的形式，它只是对TensorFlow中的运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

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)

运行上面的代码，输出是

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

并没有输出result的值，输出的是对结果的一个引用。根据输出结果，不难发现，张量的三个重要属性：name、shape、type；日常使用尤其要注意type这个属性，一旦参与运算的变量属性不匹配，往往会报错。

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)

将a的类型改为整数，这段代码会报错

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

如果不指定类型，TensorFlow会给出默认的类型，不带小数点的数被默认为int32，带小数点的会默认为float32。