TensorFlow基本概念：张量、计算图

TensorFlow基本概念：张量、计算图

TensorFlow是一个强大的开源机器学习框架，被广泛应用于各种深度学习任务中，从图像分类到自然语言处理。为了充分利用TensorFlow，理解其基本概念至关重要。在本文中，我们将探讨两个核心概念：张量（Tensors）和计算图（Computational Graphs），这是深入学习TensorFlow的基石。

张量（Tensors）

在TensorFlow中，数据以张量的形式表示。张量可以简单地理解为多维数组，它可以是一个标量（0维张量）、向量（1维张量）、矩阵（2维张量），以及更高维度的数组。让我们来看几个例子：

• 标量：一个单独的数字，比如一个整数或一个浮点数。在TensorFlow中，可以使用tf.constant()函数创建一个标量张量。

import tensorflow as tf

scalar = tf.constant(5)
print(scalar)  # 输出：Tensor("Const:0", shape=(), dtype=int32)

• 向量：一维数组，包含一系列数字。可以使用tf.constant()函数创建一个向量张量。

import