Tensorflow = Tensor（张量） + flow（数据流图）
1、张量
张量可不是“麻辣烫”！张量是一个很抽象的概念，直观的来说，张量在tensorflow中就像一个杯子，起到保存数据的作用，我们也可以把张量看成一个不同维度的数组。
0阶的张量是一个标量，就是一个数值；
1阶的张量是一个向量；
2阶的张量是一个矩阵；
3阶的张量是一个三维矩阵。
以此类推...
#定义0阶张量 a = tf.constant(2.,name="a") #定义1阶张量 b = tf.constant([3],name="b") #定义2阶张量 c = tf.constant([[4,5]],name="c") print(a) print(b) print(c)
输出结果：
Tensor("a:0", shape=(), dtype=float32)
Tensor("b:0", shape=(1,), dtype=int32)
Tensor("c:0", shape=(1, 2), dtype=int32)
a、b、c三个张量分别是0阶、1阶、2阶，可以看出来Tensor有类型、形状两个属性。
2、数据流图
如果大家看过官方的教程，那么对上图肯定很熟悉。所谓Tensorflow，简单的说，就是tensor（张量）数据在图中flow（流动）计算的过程。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。