本文介绍了TensorFlow中的核心概念：张量（Tensor）、计算图（Graph）和节点（Node）。张量是多维数组，表示不同维度的数据；计算图由节点组成，每个节点代表一个运算操作。通过示例代码展示了如何构建和运行计算图，并提及了占位节点和变量节点的特性。
张量（tensor）是什么？
tensorflow对张量（Tensor）是这样定义的：
张量是对矢量和矩阵向潜在的更高维度的泛化。TensorFlow 在内部将张量表示为基本数据类型的 n 维数组。
显然，tensorflow将张量定义为多维数组。它可以表示任意维度的数组，维度用rank（阶）表示。它在深度学习中存在的意义是创造更高维度的矩阵、向量。
借用知乎【马同学】的图片，我们可以形象的认识张量
把3阶张量画为一个立方体
我们就可以进一步地画出更高维的张量
0阶张量——点
1阶张量——线
2阶张量——面
3阶张量——体
再把3阶张量当成一个点，则可以进一步描绘出4阶张量——线，依此类推。
张量有什么用？
举个简单的例子，一个彩色图像文件（RGB）一般会被处理为3阶tensor，每个二维数组中的元素为一个像素，每个像素包含
最低0.47元/天 解锁文章
1288
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
