张量

张量是 TensorFlow 中计算的基本元素和基本数据结构。可能是您需要学习使用 TensorFlow 的唯一数据结构。张量是由维度，形状和类型标识的 n 维数据集合。

Rank 是张量的维数，形状是表示每个维度的大小的列表。张量可以具有任意数量的尺寸。您可能已经熟悉零维集合（标量），一维集合（向量），二维集合（矩阵）的数量，以及多维集合。

标量值是等级 0 的张量，因此具有[1]的形状。向量或一维数组是秩 1 的张量，并且具有[列]或[行]的形状。矩阵或二维数组是秩 2 的张量，并且具有[行，列]的形状。三维数组将是秩 3 的张量，并且以相同的方式，n 维数组将是秩n的张量。

请参阅以下资源以了解有关张量及其数学基础的更多信息：

• 维基百科上的张贴页面，地址为 https://en.wikipedia.org/wiki/Tensor
• 来自美国国家航空航天局的宣言导言，参见 https://www.grc.nasa.gov/www/k-12/Numbers/Math/documents/Tensors_TM2002211716.pdf

张量可以在其所有维度中存储一种类型的数据，并且其元素的数据类型被称为张量的数据类型。

您还可以在 https://www.tensorflow.org/api_docs/python/tf/DType 查看最新版本的 TensorFlow 库中定义的数据类型。

在编写本书时，TensorFlow 定义了以下数据类型：

我们建议您避免使用 Python 本地数据类型。 使用 TensorFlow 数据类型来定义张量，而不是 Python 本地数据类型。

可以通过以下方式创建张量：

• 通过定义常量，操作和变量，并将值传递给它们的构造函数。
• 通过定义占位符并将值传递给session.run()。
• 通过tf.convert_to_tensor()函数转换 Python 对象，如标量值，列表和 NumPy 数组。

让我们来看看创建张量的不同方法。