tensorflow 初学前须知： 张量和tensorflow的操作函数

一、张量 == 数组

1、对应关系

TensorFlow使用 张量 （Tensor）作为数据的基本单位。
标量（0维数组）、向量（1维数组）、矩阵（2维数组）

# 定义一个随机数（标量）
random_float = tf.random.uniform(shape=())

# 定义一个有2个元素的零向量
zero_vector = tf.zeros(shape=(2))

# 定义两个2×2的常量矩阵
A = tf.constant([[1., 2.], [3., 4.]])	#Python中可以使用整数后加小数点表示将该整数定义为浮点数类型。例如 3. 代表浮点数 3.0。
B = tf.constant([[5., 6.], [7., 8.]])

2、张量的属性

shape（）输出矩阵的长宽，即A*B
dtype（）输出矩阵的类型，默认为float32，也可以定义时特别指定zero_vector = tf.zeros(shape=(2), dtype=tf.int32)

# 查看矩阵A的形状、类型和值
print(A.shape)      # 输出(2, 2)，即矩阵的长和宽均为2
print(A.dtype)      # 输出<dtype: 'float32'>
print(A.numpy())    # 输出[[1. 2.]   			#这里似乎是因为版本的问题，一直提示'Tensor' object has no attribute 'numpy'
                    #      [3. 4.]]

数据转换

形状操作

3、一顿操作猛如虎

TensorFlow中有大量的张量操作API，包括数学运算、张量形状操作、切片和连接（等多种类型，可以通过查阅TensorFlow的官方API文档 来进一步了解。

tf.add()，求和
tf.matmul()，矩阵乘
tf.GradientTape()，自动求导

A = tf.constant([[1.,2.],[3.,4.]])
B = tf.constant([[5.,6.],[7.,8.]])
C = tf.add(A,B)
D = tf.matmul(A,B)
print(A.shape)      # 输出(2, 2)，即矩阵的长和宽均为2
print(A.dtype)      # 输出<dtype: 'float32'>
with tf.Session() as sess:
    print(sess.run(C))
    print(sess.run(D))

运行：
(2, 2)
<dtype: 'float32'>
[[ 6.  8.]
 [10. 12.]]
[[19. 22.]
 [43. 50.]]