当然，如果你对 TensorFlow 1.x 本来就不熟悉，可能无法看明白这些升级的内容。不用担心，本次直接对 TensorFlow 2 进行学习，我们不再回首过去，直接展望未来。
接下来，我们将从 TensorFlow 基础概念语法入手，一步一步学习 TensorFlow 的使用。
建议先学习 Python 数值计算库 NumPy 的使用，能帮助你更清楚地理解 TensorFlow 2 中的一些函数用法和概念。
=================================================================
张量，如果你第一次听说，一定会感觉到它是一个很厉害的东西吧。它的确很厉害，但是不难理解。
张量的概念贯穿于物理学和数学中，如果你去看它的很多理论描述，可能并不那么浅显易懂。例如，下面有两种关于 张量的定义：
-
通常定义张量的物理学或传统数学方法，是把张量看成一个多维数组，当变换坐标或变换基底时，其分量会按照一定规则进行变换，这些规则有两种：即协变或逆变转换。
-
通常现代数学中的方法，是把张量定义成某个矢量空间或其对偶空间上的多重线性映射，这矢量空间在需要引入基底之前不固定任何坐标系统。例如协变矢量，可以描述为 1-形式，或者作为逆变矢量的对偶空间的元素。
上面的定义不知道你看懂了没有？估计会有点困难。下面，我们进行通俗易懂的说明：
首先，你应该知道什么是向量和矩阵。先前的介绍中，我们把 1 维的数组称之为向量，2维的数组称之为矩阵。那么，现在告诉你张量其实代表着更大的范围，你也可以把其看作是 N 维数组。
所以，如果现在重新描述向量和矩阵，就可以是：
一阶张量为向量，二阶张量为矩阵。当然，零阶张量也就是标量，而更重要的是 N 阶张量，也就是 N 维数组。
| 阶 | 数学实例 |
| :-: | :-: |
| 0 | 标量（只有大小） |
| 1 | 矢量（大小和方向） |
| 2 | 矩阵（数据表） |
| 3 | 3 阶张量（数据立体） |
| N | N 阶张量（自行想象） |
所以，张量并不是什么晦涩难懂的概念。如果不严谨的讲，张量就是 N 维数组。前面提到的向量、矩阵，也是张量。
你即将了解到的大多数深度学习框架都会使用张量的概念，这样做的好处是统一对数据的定义。NumPy 中，数据都使用 Ndarray 多维数组进行定义，TensorFlow 中，数据都会用张量进行表述。
下面就来了解 TensorFlow 中对张量的定义。
在 TensorFlow 中，每一个 Tensor 都具备两个基础属性：
-
数据类型（默认：float32）
-
形状
其中，数据类型大致如下表所示：
| Tensor 类型 | 描述 |
| :-: | :-: |
| tf.float32 | 32 位浮点数 |
| tf.float64 | 64 位浮点数 |
| tf.int64 | 64 位有符号整型 |
| tf.int32 | 32 位有符号整型 |
| tf.int16 | 16 位有符号整型 |
| tf.int8 | 8 位有符号整型 |
| tf.uint8 | 8 位无符号整型 |
| tf.string | 可变长度的字节数组 |
| tf.bool | 布尔型 |
| tf.complex64 | 实数和虚数 |
另外，TensorFlow 通过三种符号约定来描述张量维度：阶，形状和维数。
三者之间的关系如下：
| 形状 | 阶 | 维数 | 示例 |
| :-: | :-: | :-: | :-: |
| [] | 0 | 0-D | 0 维张量。标量。 |
| [D0] | 1 | 1-D | 形状为 [5] 的 1 维张量。 |
| [D0, D1] | 2 | 2-D | 形状为 [3, 4] 的 2 维张量。 |
| [D0, D1, D2] | 3 | 3-D | 形状为 [1, 4, 3] 的 3 维张量。 |
| [D0, D1, … Dn-1] | n | n-D | 形状为 [D0, D1, … Dn-1] 的张量。 |
值得注意的是，上表中的示例都是形容张量的形状。例如 [3, 4] 指的张量的形状为 [3, 4]，而不是张量 [3, 4]。
根据不同的用途，TensorFlow 中主要有 2 种张量类型，分别是：
-
tf.Variable：变量 Tensor，需要指定初始值，常用于定义可变参数，例如神经网络的权重。 -
tf.constant：常量 Tensor，需要指定初始值，定义不变化的张量。
我们可以通过传入列表或 NumPy 数组来新建变量和常量类型的张量
（1）查看 TensorFlow 版本：
（2）定义形状为 (3, 3) 的二维变量：
（3）定义现状为 (2,2) 二维常量
仔细观察，你会发现输出包含了张量的 3 部分属性，分别是
-
形状
shape -
数据类型
dtype， -
对应的 NumPy 数组。
你还可以直接通过 .numpy() 输出张量的 NumPy 数组。
上面我们已经介绍了常量张量，这里再列举几个经常会用到的新建特殊常量张量的方法：
-
tf.zeros：新建指定形状且全为 0 的常量 Tensor -
tf.zeros_like：参考某种形状，新建全为 0 的常量 Tensor -
tf.ones：新建指定形状且全为 1 的常量 Tensor -
tf.ones_like：参考某种形状，新建全为 1 的常量 Tensor -
tf.fill：新建一个指定形状且全为某个标量值的常量 Tensor
（1）3x3 全为 0 的常量 Tensor
（2）c 形状一致全为 1 的常量 Tensor
（3）2x3 全为 6 的常量 Tensor
除此之外，我们还可以创建一些序列，例如：
-
tf.linspace：创建一个等间隔序列。 -
tf.range：创建一个数字序列。
实际上，如果你熟悉 NumPy 的话，你会发现这与 NumPy 中创建各式各样的多维数组方法大同小异。数据类型是一切的基础，了解完张量我们就可以继续学习张量的运算了。
TensorFlow 2 带来的最大改变之一是将 1.x 的 Graph Execution（图与会话机制）更改为 Eager Execution（动态图机制）。在 1.x 版本中，低级别 TensorFlow API 首先需要定义数据流图，然后再创建 TensorFlow 会话，这一点在 2.0 中被完全舍弃。
TensorFlow 2 中的 Eager Execution 是一种命令式编程环境，可立即评估操作，无需构建图。
所以说，TensorFlow 的张量运算过程可以像 NumPy 一样直观且自然了。接下来，我们以最简单的加法运算为例：
如果你接触过 1.x 版本的 TensorFlow，你要知道一个加法运算过程十分复杂。我们需要初始化全局变量 → 建立会话 → 执行计算，最终才能打印出张量的运算结果。
init_op = tf.global_variables_initializer() # 初始化全局变量
with tf.Session() as sess: # 启动会话
最后
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数初中级Android工程师，想要提升技能，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。
因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Android开发知识点！不论你是刚入门Android开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！
如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！
由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！
…(img-bOFK08p7-1715621245439)]
[外链图片转存中…(img-j5ryQnVd-1715621245439)]
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Android开发知识点！不论你是刚入门Android开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！
如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！
由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！
扫一扫
981
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
