标签：计算 tensor 输入 output 维度 size 数组 多维数组 传递
• TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算
• 借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台
（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边
缘设备等）
• TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI
部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供
强力支持TensorFlow 的Hello world：
计算图：
TensorFlow = Tensor + Flow
Tensor 张量
数据结构：多维数组Flow 流
计算模型：张量之间通过计算而转换的过程
TensorFlow是一个通过 计算图的形式表述计算的编程系统
每一个计算都是计算图上的一个节点
节点之间的边描述了计算之间的关系计算图是一个有向图，由以下内容构成：
• 一组节点，每个 节点都代表一个 操作，是一种 运算
• 一组有向边，每条 边代表节点之间的 关系（数据传递和
控制依赖）
计算图（数据流图）的概念
TensorFlow有两种边：
• 常规边（实线）：代表数据依赖关系。一个节点的运算输出成
为另一个节点的输入，两个节点之间有tensor流动（ 值传递）
• 特殊边（虚线）：不携带值，表示两个节点之间的 控制相关性。
比如， happens- - before 关系，源节点必须在目的节点执行前完
成执行
张量：
• 在TensorFlow中，所有的数据都通过张量的形式来表示
• 从功能的角度，张量可以简单理解为多维数组
零阶张量表示 标量（scalar），也就是 一个数；
一阶张量为 向量（vector），也就是 一维数组；
n n 阶张量可以理解为一个n n 维数组；
• 张量并没有真正保存数字，它保存的是计算过程张量的属性：
名字（ name ）
“node:src_output”：node 节点名称，src_output 来自节点的第几个输出
形状（ shape ）
张量的维度信息， shape=() ，表示是标量
类型（ type ）
每一个张量会有一个唯一的类型
TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错
阶为1的张量等价于向量；
阶为2的张量等价于矩阵，通过 t[ i,j ] 获取元素；
阶为3的张量，通过 t[ i,j,k ] 获取元素；
操作：
标签：计算 tensor 输入 output 维度 size 数组 多维数组 传递
原文地址：https://www.cnblogs.com/pam-sh/p/12267119.html
