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