Tensorflow 张量初步理解

摘要：张量是tensorflow最基本的概念，它与我们熟知的数组有相同的地方，也有不同的地方。

1. 张量的组成

         张量由4部分组成：名字，类型，等级，形状(shape,暂且这么叫吧)

       (1)名称:唯一的标志计算图中的张量。

       (2)类型:数据类型: tf.float32,tf.int32等等。

       (3)等级:张量的维度。一个标量(比如，1,2,3)等级为0，一个向量([1,2])等级为2。

       (4)形状:在每个维度中元素的个数。一个标量形状空，一个向量[x]，一个矩阵[2,3],2行3列

2. 张量的形状

       在tensorflow中，我们可以用3种不同的方式表达张量的形状。

       (1) 完全已知:如[1,2,3,4]。(tensorflow中，一般4维是NHWC格式，[batch,height,width,channel],如[1,2,3,4]代表一个图像，高2，宽3，4个通道。

        (2)部分已知:在这个情形中，我们知道张量的等级(维度)，但是，形状不知道，一般定义Input中，不知道有多少个样本，可以设置为None，代表任意多个。

        (3) 未知的形状和已知的等级:如(None,None,None)

3. 张量的动态，静态

         (1) 静态：在图形定义已知

          (2)动态:  在图形运行时才知