Tensorflow入门教程四—张量

在Tensorflow中所有的数据都是通过张量的形式来表示。从功能上看，张量可以被理解为一个多维数组。但张量在Tensorflow中的实现并是不直接采用数组的形式，它是对Tensorflow中运算结果的引用，在张量中并没有真正保存数字，他保存的是如何得到这些数字的计算过程。如下所示，并不会得到加法的结果，而是得到对结果的一个引用。

import tensorflow as tf
a = tf.constant([[1,2,2],[1,2,3]])
b = tf.constant([[1,2,2],[1,2,3]])
result = a + b
print(result)


out:Tensor("add:0", shape=(2, 3), dtype=int32)

一个张量中保存了三个属性：名字，维度，类型。
名字不仅是张量的唯一标识符，同样也给出了这个张量是如何计算来的。计算图上的每一个节点代表了一个计算，计算的结果保存在张量中，所以张量和计算图上的节点所代表的计算结果相对应。则命名可以通过”node: src_output”的形式给出，node为节点名称，src_output为当前张量来自节点的第几个输出。
类型，每个张量会有唯一的类型。可以通过dtype = tf.float32指定。

tf.constant([1,2,3],name = 'a', dtype = tf.float32)

使用默认类型有可能会导致潜在的类型不匹配问题，所以一般建议通过指定的dtype来明确变量或常数的类型。

result.get_shape()函数可以用来获取一个张量的维度。