3. 张量Tensor

在数学上，张量是一种几何实体，广义上表示任意形式的数据，可以理解为0阶标量、1阶向量、2阶矩阵在高维空间上的推广，张量的阶描述了它所表示数据的最大维度。

阶数	数据实体	Python样例
0	标量	scalar=1
1	向量	vector=[1,2,3]
2	矩阵	matrix=[[1,2,3],[4,5,6],[7,8,9]]
3	数据立方	tensor=[[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]],…]
n	n阶张量	…

在TensorFlow中，张量（Tensor）表示的是某种相同类型的多维数组。
张量的两个属性：（1）数据类型（浮点型、整型、字符串、复数等）；（2）数组的形状（各个维度的大小）。

注意：
（1）张量是用来表示多维数据的；
（2）张量是执行操作时的输入或输出数据；
（3）用户通过执行操作来创建或计算张量；
（4）张量的形状不一定在编译时确定，可以在运行时通过形状推断计算得出。

几个比较常见的张量由以下几个操作产生：

tf.constant #常量（值不可改变）
tf.placeholder #占位符（描述数据的外壳，相当于盛数据的容器）
tf.Variable #变量（会存在内存中）

利用Spyder实践一下，体验一下张量究竟为何物！！！！

例1：0阶张量

mammal=tf.Variable("Elephant",tf.string)
ignition=tf.Variable(451,tf.int16)
floating=tf.Variable(3.1415926,tf.float64)
its_complicated=tf.Variable(12.3-4.85j,tf.complex64)

在控制台上输入下面这句话

[mammal, ignition, floating, its_complicated]

得到如下结果：
其中：tf.Variable是返回的类型，Variable_8:0是在内存中的名字，shape是形状，dtype是数据类型

例2：1阶张量

mystr=tf.Variable(["hello","world"],tf.string)
cool_numbers=tf.Variable([3.14,1.414],tf.float32)
first_primes=tf.Variable([2,3,5,7,11],tf.int32)
its_very_complicated=tf.Variable([12.3-4.85j,.5+1.2j],tf.complex64)

同理：可以看到shape发生了变化

例3：2阶张量（注意：相对于1阶，有2层[ ]）

mymat = tf.Variable([[7],[1]], tf.int16)
myxor = tf.Variable([[False, True],[True, False]], tf.bool)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
rank_of_squares = tf.rank(squarish_squares)
mymatC = tf.Variable([[7],[11]], tf.int32)

比如（4，1）可以这样理解，在1阶上是4维，2阶上是1维。

例4：3阶张量

linear_squares = tf.Variable([[[2,1], [4,1], [6,1]], [[8,1], [10,1], [12,1]]], tf.int32)

例5：4阶张量

my_image = tf.zeros([10, 299, 299, 3])

一个比较有趣的例子（RGB彩色图片）可以参照https://www.cnblogs.com/xiaoboge/p/9681229.html，加深一下理解。