在TensorFlow中，我们使用张量表示数据，使用计算图搭建神经网络，使用会话训练神经网络，执行训练过程。首先我们先了解张量的运行机制和原理。
张量的理解
简单来说，张量就是N维数组。在Python中，tensor的形式的Numpy ndarray。N维数组(N维张量)表征了数据的不同形状，比如0维张量表示标量、1维张量表示向量，2维张量表示矩阵，下面我们直观的给出0维到4维的张量，更高维度的张量很少用，而且理解起来也比较困难，这里不做介绍。
| 维度 | 属性 | shape | 示例 |
|---|---|---|---|
| 0维张量 | 标量 | [ ]<=>shape=() | 1，2，3 |
| 1维张量 | 向量 | [a]<=>shape=(a,) | [1, 2, 3] |
| 2维张量 | 矩阵 | [a, b]<=>shape(a,b) | [[1, 2, 3], [1, 2, 3], [1, 2, 3]] |
| 3维张量 | 数据立体 | [[[1, 2, 3], [1, 2, 3], [1, 2, 3]]] | |
| 4维张量 | 通道 | [[[[1, 2, 3], [1, 2, 3], [1, 2, 3]]]] |
从示例中，我们不难发现，随着张量维度的增加，能表示的数据形状就越丰富，数据的表示含义也各不相同。那我们就来介绍对于不同维度的张量，其具体的内涵有何不同。
- 对于0阶张量，只有大小。A,B,C表示单一的特征值
- 对于1阶张量，既有大小也有方向。[A, B, C]表示有一个样本，里面含有3个特征
- 对于2阶张量，数据表。[[A, B, C], [D, E, F], [G, H, I]]表示有3个样本，每个样本分别有3个特征
- 对于3阶张量，时间序列。[[[A, B, C], [D, E, F], [G, H, I]]]特征随时间同步更新
- 对于4阶张量，通道。特征和样本随时间同步更新。
张量的创建
tf.constant(value,tf.float32)
- value可以是以上的各个维度的张量，如1, [1], [[1]]
t = tf.constant(1, tf.float32)
t = tf.constant([1,2,3], tf.float32)
t = tf.constant([[1, 2, 3],[1, 2, 3],[1,2,3], tf.float32)tf.zeros(shape, tf.float32)
- shape为数据的维度。比如[]表示标量，[a]表示a行，[a, b]表示a行b列
tf.zeros([]) # tf.Tensor(0.0, shape=(), dtype=float32)
tf.zeros([1]) # tf.Tensor([0.], shape=(1,), dtype=float32)
tf.zeros([1,2]) # tf.Tensor([[0. 0.]], shape=(1, 2), dtype=float32)
tf.ones(shape, tf.float32)
- shape为数据的维度。比如[]表示标量，[a]表示a行，[a, b]表示a行b列
tf.ones([]) # tf.Tensor(1.0, shape=(), dtype=float32)
tf.ones([1]) # tf.Tensor([1.], shape=(1,), dtype=float32)
tf.ones([1,2]) # tf.Tensor([[1. 1.]], shape=(1, 2), dtype=float32)tf.fill(shape, value)
tf.fill([2,3],4)
# tf.Tensor(
# [[4 4 4]
# [4 4 4]], shape=(2, 3), dtype=int32)