张量（Tensor）
在Tensorflow中，变量统一称作张量（Tensor）。
张量（Tensor）是任意维度的数组。
- 0阶张量：纯量或标量 (scalar)， 也就是一个数值，例如，\'Howdy\' 或 5
- 1阶张量：向量 (vector)或矢量，也就是一维数组（一组有序排列的数），例如，[2, 3, 5, 7, 11] 或 [5]
- 2阶张量：矩阵 (matrix)，也就是二维数组（有序排列的向量），例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]
- 3阶张量：三维的矩阵，也就是把矩阵有序地叠加起来，成为一个“立方体”
- 以此类推，等等。
在大多数情况下，只会使用一个或多个低维张量（2阶及以下）。
典型 TensorFlow 程序中的大多数代码行都是指令，张量也是计算图中的一种指令。
张量可以作为常量或变量存储在图中。
- 常量是始终会返回同一张量值的指令，存储的是值不会发生更改的张量。
- 变量是会返回分配给它的任何张量的指令，存储的是值会发生更改的张量。
示例：张量的定义
1 # coding=utf-8
2 import tensorflow as tf 3 import os 4 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 6 7 x = tf.constant([5.6], name="x_const") # tf.constant定义标量整数常量并传入值 8 y = tf.Variable([0], name="y_Variable") # tf.Variable定义变量并传入默认值 9 y = y.assign([3]) # 分配一个值 10 11 with tf.Session() as sess: # 图必须在会话中运行，会话存储了它所运行的图的状态 12 initialization = tf.global_variables_initializer() # 使用tf.Variable时，必须在会话开始时明确初始化变量 13 print("x: {}".format(sess.run(x))) 14 print("y: {}".format(sess.run(y)))
示例：常量相加
1 # coding=utf-8
2 import tensorflow as tf 3 import os 4 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 6 7 g = tf.Graph() # 创建图，虽然TensorFlow提供一个默认图，仍建议创建自己的Graph，以便跟踪状态 8 9 with g.as_default(): # 将定义的图作为默认 10 x = tf.constant(8, name="x_const") # tf.constant定义标量整数常量并传入值 11 y = tf.constant(5, name="y_const") 12 z = tf.constant(4, name="z_const") 13 sum1 = tf.add(x, y, name="x_y_sum") # tf.add相加 14 sum2 = tf.add(z, sum1, name="x_y_z_sum") 15 with tf.Session() as sess: # 图必须在会话中运行 16 print("sum1: {}".format(sum1.eval())) 17 print("sum2: {}".format(sum2.eval()))
示例：矢量加法、张量形状与广播
1 # coding=utf-8 2 import tensorflow as tf 3 import os 4 5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 6 7 try: 8 tf.contrib.eager.enable_eager_execution() 9 print("TF imported with eager execution!") 10 except ValueError: 11 print("TF already imported with eager execution!") 12 13 # ### 矢量（一维张量）加法 14 primes = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32) # 包含质数的primes矢量 15 ones = tf.ones([6], dtype=tf.int32) # 值全为1的ones矢量 16 just_beyond_primes = tf.add(primes, ones) # 通过对前两个矢量执行元素级加法而创建的矢量 17 twos = tf.constant([2, 2, 2, 2, 2, 2], dtype=tf.int32) 18 primes_doubled = primes * twos # 通过将primes矢量中的元素翻倍而创建的矢量 19 print("primes: ", primes) 20 print("ones: ", ones) 21 print("just_beyond_primes: ", just_beyond_primes) 22 print("primes_doubled: ", primes_doubled) 23 24 some_matrix = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.int32) 25 print("some_matrix: ", some_matrix) # 输出张量将返回其值、形状以及存储在张量中的值的类型 26 print("value of some_matrix is:\n", some_matrix.numpy()) # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式） 27 28 # ### 张量形状 29 scalar = tf.zeros([]) # 标量 30 vector = tf.zeros([3]) # 值全为0的矢量 31 matrix = tf.zeros([2, 3]) # 值全为0的2行3列矩阵 32 print('scalar has shape：', scalar.get_shape(), 'and value:\n', scalar.numpy()) 33 print('vector has shape：', vector.get_shape(), 'and value:\n', vector.numpy()) 34 print('matrix has shape：', matrix.get_shape(), 'and value:\n', matrix.numpy()) 35 36 # ### 广播 37 primes2 = tf.constant([2, 3, 5, 7, 11, 13], dtype=tf.int32) 38 ones2 = tf.ones(1, dtype=tf.int32) # 使用的是标量值（不是全包含1矢量）和广播 39 just_beyond_primes2 = tf.add(primes2, ones2) 40 twos2 = tf.constant(2, dtype=tf.int32) # 使用的是标量值（不是全包含 2 的矢量）和广播 41 primes_doubled2 = primes2 * twos2 42 print("primes2: ", primes2) 43 print("ones2: ", ones2) 44 print("just_beyond_primes2: ", just_beyond_primes2) 45 print("primes_doubled2: ", primes_doubled2) 46 47 # ### 矢量加法 48 # 可以对张量执行很多典型数学运算：https://www.tensorflow.org/api_docs/python/tf/math； 49 # 输出张量将返回其值、形状以及存储在张量中的值的类型； 50 # 调用张量的numpy方法会返回该张量的值（以NumPy数组形式）； 51 # 52 # ### 张量形状（shape） 53 # 形状（shape）用于描述张量维度的大小和数量； 54 # 张量的形状表示为list，其中第i个元素表示维度i的大小； 55 # 列表的长度表示张量的阶（即维数）； 56 # 57 # ### 广播 58 # TensorFlow支持广播（一种借鉴自NumPy的概念）； 59 # 利用广播，元素级运算中的较小数组会增大到与较大数组具有相同的形状；