3、TensorFlow 计算图与张量使用指南

TensorFlow 计算图与张量使用指南

1. TensorFlow 基础概述

TensorFlow 能够让用户轻松构建复杂的计算图，并且将计算图的构建和评估过程分开。在计算结果时，需要为所有节点赋值并进行评估。以下是对 TensorFlow 核心概念的详细介绍。

2. 张量（Tensors）

TensorFlow 处理数据的基本单位是张量（tensor）。张量是由基本类型（如浮点数）组成的 n 维数组。以下是不同维度张量的示例：
| 秩（Rank） | 数学实体 | Python 示例 |
| — | — | — |
| 0 | 标量（如长度或重量） | L = 30 |
| 1 | 向量（如二维平面中物体的速度） | S = [10.2, 12.6] |
| 2 | 矩阵 | M = [[23.2, 44.2], [12.2, 55.6]] |
| 3 | 三维矩阵 | C = [[[1], [2]], [[3], [4]], [[5], [6]]] |

张量具有静态类型和动态维度，在评估过程中类型不可改变，但维度可以在评估前动态变化。通常用“秩”来描述张量的维度数量，标量的秩为 0。

假设使用 import tensorflow as tf 导入 TensorFlow，基本的张量对象是 tf.tensor 类，它有两个属性：
- 数据类型（如 float32