3.2 TensorFlow数据模型 ---- 张量

标签：str   数据模型   数组   pytho   直接   角度   类型   模型   提高   

　　在TensorFlow程序中，所有的数据都通过张量的形式来表示。从功能的角度上看，张量可以简单理解为多维数组。但张量在TensorFlow中的实现并不是直接采用的数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有真正的保存数字，它保存的是如何得到这些数字的计算过程。

　　一个张量主要包含了三个属性：名字，维度和类型。其中张量的属性名字不仅使一个张量的唯一标识符，它同样给出了这个张量是如何计算出来的。张量的第二个属性张量的维度，这个属性描述了一个张量的维度信息。张量的第三个属性是类型，每一个张量都会有一个唯一的类型。

张量的使用

　　第一类用途是对中间计算结果的引用。当一个计算包含很多中间结果时，使用张量可以提高代码的可读性。

#使用张量计算中间结果
a = tf.constant([1.0, 2.0], name = "a")
b = tf.constant([2.0, 3.0], name = "b")

result = a + b

#直接计算向量的和，可读性较差
result = tf.constant([1.0, 2.0], name = "a") + tf.constant([2.0, 3.0], name = "b")

3.2 TensorFlow数据模型 ---- 张量

标签：str   数据模型   数组   pytho   直接   角度   类型   模型   提高   

原文地址：https://www.cnblogs.com/CZT-TS/p/11235061.html