3.2TensorFlow数据模型--张量

张量是TensorFlow管理数据的形式

3.2.1张量的概念

TensorFlow中的Tensor(张量)

在TensorFlow程序中所有的数据都是通过张量的形式来表示

从功能的角度:张量可以简单理解为多维数组

零阶张量表示标量,也就是一个数;

一阶张量为向量,也就是一个一维数组

第n阶张量理解为一个n维数组

but,张量在TensorFlow 中的实现并不是直接采用数组的形式,它只是对TensorFlow中运算姐结果的引用.

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

TensorFlow计算结果不是一个具体的数字,而是一个张量的结构,一个张量主要保存了三个属性:

(1)名字-name-->一个张量的唯一标识

如前所述,TensorFlow的计算都是可以通过计算图的模型来建立

而计算图上的每个节点都代表了一个计算,计算的结果就保存在张量之中

所以张量和计算图上节点所代表的结果是对应的.

这样张量的命名就可以通过"node:src_output"的形式来给出

(2)维度-shape

shape = (2,)说明了是一个一维数组,长度为2

(3)类型-type

3.2.2张量的使用

张量可以总结为两大类

1.对中间计算结果的引用(提高代码可读性1)

2.当计算图构造完成之后,张量可以用来获得计算结果,也就是得到真实的数字(会话:session)