TensorFlow学习——基本概念

（Python+TensorFlow机器学习实战）

1.Tensor（张量）

        最基本的概念，也是TensorFlow中最主要的数据结构。用于在计算图中进行数据传递，不会立即在计算图中增加该张量，而需要将该张量复制给一个变量或占位符，之后才会将该张量增加到计算图中。

使用张量表示数据，用“阶”表示张量的维度。

        0阶张量称为标量，表示单独的一个数

       1阶张量称为向量， 表示一个一维数组

        2阶张量称为矩阵，表示一个二维数组

        ……

 张量是几阶的可以通过张量右边的方括号数来判断。例如 t = [ [ [    ] ] ]，显然这个为3阶。

import tensorflow as tf
row = 3.0
col = 4.0
zero_tsr = tf.zeros([row, col])
ones_tsr = tf.ones([row, col])
filled_tsr = tf.fill([3,4],2.0)#制定填充数值2.0，指定维度的张量
constant_tsr = tf.constant([1,2,3])#已知常熟张量
zeros_similiar = tf.zeros_like(constant_tsr)#所有元素为0，与constant_tsr类型一致的张量
ones_similiar = tf.ones_like(constant_tsr)#所有元素为1，与constant_tsr类型一致的张量
liner_tsr = tf.linspace(start=0.0, stop=2.0, num=3)#创建指定区间，等间距的张量
integer_seq_tsr = tf.range(start=0, limit=5,delta=1)#创建指定区间，间隔的张量
randunif_tsr = tf.random_uniform([3,4],minval=0,maxval=2)#创建均匀分布随机数的张量
randnom_tsr = tf.random_normal([3,4],mean=0.0,stddev=1.0)#创建正态分布随机数的张量
runcnorm_tsr = tf.truncated_normal([3,4],mean=0.0,stddev=1.0)#创建指定边界的正态分布的张量

2.Variab（变量）

        一般用来表示图中的各个计算参数，包括矩阵和向量等，它在计算图中有固定的位置。一般我们在TensorFlow中通过调整这些变量的状态来优化机器学习算法。

       创建变量应使用tf.Variable()函数，通过输入一个张量，返回一个变量。变量声明后需要进行初始化才能使用。

tensor = tf.zeros([1,2])#声明张量
m_var =