人工智能深度学习入门练习之（13）TensorFlow – 张量

Tensorflow的名字直接来源于它的核心数据结构：张量。

张量的概念来源于线性代数，表示一个多维数组，张量中的元素具有相同的数据类型。

Tensorflow中，所有的计算都涉及到张量，张量可以是输入数据，或者计算结果。

TensorFlow中的各种操作，如加权求和，激活函数等，都被编排成一个图，称为计算图。这样，一个神经网络就可以用一个计算图来表示。

张量表示的输入数据传递给计算图，计算图处理后，也以张量的方式输出数据。

示例

如果我们有一个2×3矩阵:

 

 TensorFlow中，将这个矩阵表示为张量:

[[1, 2, 3], 
 [4, 5, 6]] 

张量的阶

张量的阶（rank）是张量的维数。

阶为1的张量等价于向量，阶为2的向量等价于矩阵。对于一个阶为2的张量，通过t[i, j]就能获取它的每个元素。对于一个阶为3的张量，需要通过t[i, j, k]进行寻址，以此类推。

张量的形状

张量的形状描述了张量每个维度中的元素数量。就是说一个张量有几行几列，例如一个形状[2,3]，即2行3列的张量：

[[1 2 3]
 [3 4 5]]

张量的数据类型

一个张量具有一个数据类型，允许的数据类型如下：

数据类型	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数.
DT_DOUBLE	tf.float64	64 位浮点数.
DT_INT64	tf.int64	64 位有符号整型.
DT_INT32	tf.int32	32 位有符号整型.
DT_INT16	tf.int16	16 位有符号整型.
DT_INT8	tf.int8	8 位有符号整型.
DT_UINT8	tf.uint8	8 位无符号整型.
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL	tf.bool	布尔型.
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型.
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型.
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型.