TensorFlow数据模型——张量

TensorFlow最重要的概念就是Tensor和Flow，Tensor就是张量，Flow就是流，它们合在一起直观地表达了张量之间通过计算相互转化的过程。

在TensorFlow程序中，所有的数据都通过张量的形式来表示，张量是TensorFlow管理数据的工具。张量可以被简单地理解为多维数组，零阶张量表示标量即一个数，一阶张量表示向量即一维数组，n阶张量表示一个n维数组。

注意，张量在TensorFlow中的实现并不是直接采用数组的形式，而是对TensorFlow中计算结果的引用，在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程，有以下示例代码：

import tensorflow as tf

#tf.constant是一个计算，这个计算的结果是张量，保存在变量a中
a = tf.constant([1.0,2.0], name="a")
b = tf.constant([2.0,3.0], name="b")
result = tf.add(a, b, name="add")
print(result)

输出结果为：

Tensor("add:0", shape=(2,), dtype=float32)

从上述代码的运行结果可以看出，一个张量中主要保存了三个属性——名字、维度和类型：

• 名字（name）不仅是一个张量的唯一标识符，还描述了这个张量是如何计算出来的。张量的命名可以通过“node:src_output“的形式给出来，其中node为节点的名称，src_output表示当前张量来自节点的第几个输出（编号从0开始）。在计算图上每一个节点代表一个计算，计算的结果就保存在张量中，关于计算图的详细内容请参照：TensorFlow计算模型——计算图。

• 维度（shape）描述了张量的维度数以及各个维度的大小。

• 类型（type）描述了张量在计算图中的类型，每一个张量会有一个唯一的类型，TensorFlow会对参与计算的所有张量进行类型的检查，当发现类型不匹配时会报错，如以下代码：

  import tensorflow as tf
  a = tf.constant([1,2], name="a")
  b = tf.constant([2.0,3.0], name="b")
  result = a + b
  

  运行程序会报类型不匹配的错误：

  ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b:0", shape=(2,), dtype=float32)'
  

  如果将第一个张量指定为实数类型，那么计算就不会报错了：

  a = tf.constant([1,2], name="a", dtype=tf.float32)
  

  如果不指定类型，TensorFlow会给出默认的类型，使用默认类型有可能导致潜在的类型不匹配问题，因此一般通过指定dtype来明确指出张量的类型。

  TensorFlow支持14种不同的类型，主要包括：

  1. 实数类型：tf.float32，tf.float64；

  2. 整数类型：tf.int8，tf.int16，tf.int32，tf.int64，tf.uint8；

  3. 布尔型：tf.bool；

  4. 复数类型： tf.complex64，tf.complex128。

张量主要有以下两种用途：

• 第一种用途是对中间计算结果进行引用，当一个计算包含很多中间结果时，使用张量可以大大提高代码的可读性，通常在构建深层神经网络时就不可避免地要用张量来引用中间结果，同时通过张量来存储中间结果可以方便获取中间结果，比如在卷积神经网络中，卷积层或者池化层有可能改变张量的维度，通过张量的get_shape()函数来获取张量的维度信息可以免去人工计算的麻烦。

• 第二种用途是当计算图构造完成之后，张量可以用来获得计算结果，也就是真实的数字，虽然张量本身不存储真实的数字，但在会话中通过run()函数或eval()可以得到计算结果，关于会话的详细内容请参照：TensorFlow运行模型——会话。