Tensorflow——张量

在Tensorflow中，所有数据都通过张量的形式来表示，从功能上看，张量可以简单的被理解为多维数组。其中零阶张量表示标量（scalar），也就是一个数；第一阶张量为向量（vector）,也就是一个一维数组；同理第n阶张量就是n维数组。
但是张量在Tensorflow中的实现并不是采用数组的形式，他只是对Tensorflow中运算结果的引用。在张量中并没有真正的保存数字，它保存的是如何得到这些数字的计算过程。
例如向量加法，运行下列代码时并不会得到加法的结果，而是一个对结果的引用。

Tensorflow的张量和Numpy的数组是不同的，Tensorflow计算的结果不是一个具体数字，而是一个张量结构。
一个张量主要保存三个属性：名字（name）、维度（shape）、类型（type）
张量的第一个属性名字不仅是一个张量的唯一标识符，它同样给出了这个张量是如何计算出来的。Tensorflow的计算都可以通过计算图的模型来建立，而计算图的每一个节点代表一个计算，计算的结果就保存在张量中，所以张量和计算图上的节点所代表的计算结果是对应的。这样张量的命名就可以通过“node:src_ouput”的形式给出，node是节点名，src_output表示当前张量来自节点的第几个输出。
例如上面的”add:0”就说明了result这个张量是计算节点”add”输出的第一个结构（编号从0开始）。
张量的第二个属性是张量的维度（shape），这个属性描述了一个张量的维度信息。比如上面样例中的shape=(2,)说明张量result是一个一维数组，这个数组长度为2.维度是张量的一个很重要的属性，围绕张量维度的Tensorflow也给出了很多有用计算
张量第三个属性是类型（type），每一个张量会有唯一的类型，Tensorflow会对参与运算的所有张量进行类型检查，当发现类型不匹配时会报错。

但是如果是指定了类型则不会报错

不置顶类型Tensorflow会给出默认类型，不带小数点是int32，带小数点是float32。
Tensorflow支持14种类型
实数（tf.float32、tf.float64）
整数（tf.int8、tf.int16、tf.int32、tf.int64、tf.uint8）
布尔型（tf.bool）
复数（tf.complex64、tf.complex128）

张量的使用
和Tensorflow的计算模型相比，它的数据模型相对比较简答，张量使用主要可以总结为两大类。
第一类用途是对中间计算结果的引用。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。

a和b其实就是对常量生成这个运算结果的引用，这样在做加法时可以直接使用这两个变量，而不需要再去生成常量。当计算的复杂度增加时，通过张量引用计算的中间结果可以使代码的可阅读性大大提升。同时通过张量来存储中间结果，这样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result_get_shape函数获取结果张量的维度信息可以免去人工计算的麻烦。
使用张量的第二类情况是计算图构造完成后，张量可以用来获取计算结果，也就是真实的数字。虽然张量本身没有存储具体数字，但是通过会话（session）可以得到具体是数字