TensorFlow（张量）

在数学里，张量是一种几何实体，广义上表示任意形式的数据，张量可以这么理解
0阶张量（rank） == 标量（scalar）
1阶张量（rank） == 向量（vector）
2阶张量（rank） == 矩阵（matrix）
3阶张量（rank） == 立方（tensor）
n阶张量。。。只能凭空想了

TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：

阶	形状	维数	实例
0	[ ]	0-D	一个 0维张量. 一个纯量.
1	[D0]	1-D	一个1维张量的形式[5].
2	[D0, D1]	2-D	一个2维张量的形式[3, 4].
3	[D0, D1, D2]	3-D	一个3维张量的形式 [1, 4, 3].
n	[D0, D1, ... Dn]	n-D	一个n维张量的形式 [D0, D1, ... Dn].

张量，在tensorflow中表示某种相同数据类型和多维数组
重要的属性
1 数据类型（浮点型，整形，字符串）
2 数组形状（各个维度的大小）
张量的形状很重要，计算的时候必须确定形状
张量的形状不一定要在编译时确定（形状不一定确定，跟我们的输入数据有关），可以在运行的时候通过形状推断计算的出

那张量到底是什么？
1张量用来表示多维数据的。
2张量是执行操作时的输入或者输出的数据

 

Tensorflow 特别的张量
tf.constant   常量（不可改变）
tf.placeholder   占位符
tf.Variable   变量

#0阶张量 分别创建 字符串 整数 浮点数 复数
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)


(<tf.Variable 'Variable_4:0' shape=() dtype=string_ref>,
 <tf.Variable 'Variable_5:0' shape=() dtype=int32_ref>,
 <tf.Variable 'Variable_6:0' shape=() dtype=float32_ref>,
 <tf.Variable 'Variable_7:0' shape=() dtype=complex128_ref>)

#1阶张量
mystr = tf.Variable(["Hello","World"],tf.string)
numbers = tf.Variable([1,2,3],tf.int16)
float_number = tf.Variable([1.1,2.2,3.3],tf.float64)
complicated = tf.Variable([12.3 - 4.85j,1 - 23.45j],tf.complex64)

(<tf.Variable 'Variable_8:0' shape=(2,) dtype=string_ref>,
 <tf.Variable 'Variable_9:0' shape=(3,) dtype=int32_ref>,
 <tf.Variable 'Variable_10:0' shape=(3,) dtype=float32_ref>,
 <tf.Variable 'Variable_11:0' shape=(2,) dtype=complex128_ref>)

#2阶张量
hello = tf.Variable([["Hello"],["World"]],tf.string)
numbers1 = tf.Variable([[1],[2]],tf.int16)
float_number1 = tf.Variable([[1.1],[2.2]],tf.float64)

(<tf.Variable 'Variable_12:0' shape=(2, 1) dtype=string_ref>,
 <tf.Variable 'Variable_13:0' shape=(2, 1) dtype=int32_ref>,
 <tf.Variable 'Variable_14:0' shape=(2, 1) dtype=float32_ref>)

#4阶
my_image = tf.zeros([10,200,200,3])

<tf.Tensor 'zeros:0' shape=(10, 200, 200, 3) dtype=float32>