Tensorflow：tf.Session()的两种用法与张量的基本理解

最新推荐文章于 2025-03-20 17:15:07 发布

追梦AI

最新推荐文章于 2025-03-20 17:15:07 发布

阅读量1.2k

点赞数 1

本文链接：https://blog.youkuaiyun.com/m0_49100031/article/details/108502909

版权

本文深入解析了TensorFlow中tf.Session()的两种使用方式，同时详细阐述了张量（tensor）的概念及其在深度学习中的重要性。张量被定义为多维数组，其阶数决定了维度数量，从标量到向量再到更高阶张量，每一类型的张量都有其独特的属性如name,shape和dtype。文章强调了张量类型的一致性对于运算的必要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Tensorflow：tf.Session()的两种用法与张量的基本理解
在这里插入图片描述
张量（tensor）：张量简单的可以认为是多维数组，零阶张量表示标量（scalar），也就是一个数
一阶张量表示为向量（vector），也就是一个一维数组，第N阶张量可以理解为一个n维数组
一个张量中主要保存三个属性：name,shape,dtype
每一个张量的类型都是唯一的，类型不同时运算会报错