Tensorflow数据模型———张量

1张量的含义

众所周知，张量（tensor）是在Tensorflow中是一个很重要的概念。在Tensorflow所有数据都需要通过张量的形式来表示。其功能可简单理解为多维数组。其中比较特殊的就是零阶张量表示的是标量（Scalar），也就是我们的 数字。那么同理一阶张量就是一维数组，也叫向量。n阶张量可以理解为一个n维数组。但是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，并不会得到加法的结果，而会得到对结果的一个引用。代码如下

import tensorflow as tf
#tf.constant是一个计算，这个计算的结果为一个张量，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)

其输出为：

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

从上面的输出可以看出，Tensorflow的输出不是一个具体的数字，而是一个张量结构，这个张量主要保存了三个属性：名字、维度和类型。其中的第一个属性名字不仅是一个张量的唯一标识，它同样也给出了这个张量是如何计算出来的。张量和计算图上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_output"的形式给出。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。比如上面代码打出来的“add:0”就说明了reslut这个