Tensorflow(二）基本概念

一 张量

首先，学习张量要注意两个点，张量的形状和维度（阶）

1 阶

 由上图我们可以直到，想要判断是几阶，可以看最左边有几个左括号，0阶没有括号，一阶有一个，两阶有两个，三阶有三个，以此类推·······

2  形状

shape指明每一层有多少个元素。

比如[2,3,4]是指第一层2个元素，第二层3个元素，第三层4个元素，通过这个我们就可以知道这个张量一共有2 × 3 × 4=24 个元素。而且它有3层，因此可以知道这个张量的rank=3
注意：读取元素，从外括号往内括号读

import tensorflow as tf
# 定义了一个张量，有6个元素，设置他的形状是[2.3]
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2,3])
with tf.Session() as session:
    print(session.run(a))

输出结果：

[[1 2 3] [4 5 6]]

3 张量的其他用法

    1 .tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。

 其中主要参数如下：

     tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

    shape: 输出张量的形状，必选
    mean: 正态分布的均值，默认为0
    stddev: 正态分布的标准差，默认为1.0
    dtype: 输出的类型，默认为tf.float32
    seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
    name: 操作的名称

    2.  tf.Variable（）函数是形成一个变量。

  其中主要参数如下：

    tf.Variable( initial_value=None, trainable=None, validate_shape=True, caching_device=None,
name=None, variable_def=None, dtype=None, import_scope=None, constraint=None,
synchronization=tf.VariableSynchronization.AUTO,
aggregation=tf.compat.v1.VariableAggregation.NONE, shape=None
)

initial_value：所有可以转换为张量的类型，是变量初始值
trainable：只有当trainable为 true 时才能对其使用Optimizer，默认为true。在迁移学习指定某些网络结构不被训练。
collections：类型为 list 指定该变量的类型
在 Tensorflow 中，变量的定义与初始化是分开的，一开始，tf.Variable()得到的是张量，而张量并不是具体的值，而是计算过程。
在 Tensorflow 中变量只有被定义为(Variable)变量后才是变量

3.tf.summary.scalar("error",error)：收集零维度的值

   tf.summary.histogram("weights",weights)：收集高纬度的张量值

4. tf.Tensor.eval()
功能：当默认的会话被指定之后可以通过其计算一个张量的取值