最简单的Tensorflow实战入门教程 - 第二篇：tensor的定义及基本运算

Tensorflow中的Tensor就是张量的意思，在机器学习及神经网络中，会大量使用到张量运算，因此在tensorflow中，定义一个变量，实际上就是定义一个张量(tensor)

张量（tensor）的概念

因为很多人包括我自己都经常混用甚至混淆几个概念，因此我先简单科普一下“张量/矩阵/向量/标量”几个概念的关系和区别。

• 0维（0阶）的张量就是标量，也就是一个数字，比如 1，3，100等等
• 1维（1阶）的张量就是向量，比如[2,4]，[3,5,6]，[12,0,4,8] 等等。（作者注1）
• 2维（2阶）的张量就是矩阵，比如2行2列的矩阵[[1,2,3],[4,5,6]]，3行3列的矩阵[[1,1,1],[2,2,2],[3,3,3]]等等。（作者注2）
• 更高维（阶）的张量，就没有特殊的名称了，不过有时候人们也会称更高维的张量为矩阵，比如3维矩阵，4维矩阵。这只不过是一种习惯罢了

了解了上面的内容，我们再来看一下tensorflow中是如何定义张量的，以及有关张量的基本运算。

Tensor的定义及运算

Tensorflow的程序，可以认为是由两个部分组成的，分别是：构建计算图（Building the computational graph）和 运行计算图（Running the computational graph） （作者注3），

我们用一个最简单的例子进行说明，先看几行代码（因为是实战教程，因此我会用代码进行讲解，注释中的内容非常重要，请一定认真阅读哦：）：

## 在python中加载tensorflow库
import tensorflow as tf

## 可以把下面这段理解为“构建计算图”部分
x = tf.Variable([[1.0,2.0]])         ## 这里定义了一个行向量X，浮点型
w = tf.Variable([[3.0],[5.0]])       ## 这里定义了一个列向量y，浮点型
y &#