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。