TensorFlow中张量，变量、常量、占位符概念

1、总结TensorFlow中的张量概念

张量：数据结构：多维数组

零阶张量表示标量(scalar),也就是一个数；

一阶张量为向量(vector)，也就是一个数组；

N阶张量可以理解为一个n维数组；

张量并没有真正保存数字，它保存的是计算过程

张量的属性

Tensor("Add:0", shape=(), dtype=float32)

·名字（ name）

“node:src_output” ： node 节点名称， src_output 来自节点的第几个输出

·形状（ shape）

张量的维度信息， shape=() ，表示是标量

·类型（ type）

每一个张量会有一个唯一的类型

TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

张量的类型：

TensorFlow支持14种不同的类型

实数 tf.float32, tf.float64

整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8

布尔 tf.bool

复数 tf.complex64, tf.complex128

默认类型：

不带小数点的数会被默认为int32

带小数点的会被默认为float32

2、总结变量、常量和占位符区别

常量：在运行过程中值不会改变的单元，在TensorFlow中无须进行初始化操作，创建语句：constant_ name = tf.constant(value)

变量：在运行过程中值会改变的单元，在TensorFlow中须进行初始化操作

创建语句：name_variable = tf.Variable(value, name)

占位符：TensorFlow中的Variable变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入，比如训练数据，这时候需要用到占位符。tf.placeholder占位符，是TensorFlow中特有的一种数据结构，类似动态变量，函数的参数、或者C语言或者Python语言中格式化输出时的“%”占位符。TensorFlow占位符Placeholder，先定义一种数据，其参数为数据的Type和Shape占位符Placeholder的函数接口如下：

tf.placeholder(dtype, shape=None, name=None)

区别：常量不能改变，变量可以改变，且变量比常量增加了一个init初始化变量，并调用会话的run命令对参数进行初始化，使用了Variable变量类型，不进行初始化数值会出现运行错误。另外，常量存储在计算图的定义中，每次加载图时都会加载相关变量。即它们是占用内存的。另一方面，变量又是分开存储的。它们可以存储在参数服务器上。占位符不包含任何数据，因此不需要初始化。

3、总结变量初始化方式

个别变量初始化：init_op = name_variable.initializer()

所有变量初始化：init_op = tf.global_variables_initializer()

变量增加了一个init初始化变量，并调用会话的run命令对参数进行初始化，使用了Variable变量类型，不进行初始化数值会出现运行错误。