算法工程师修仙之路：TensorFlow（二）

TensorFlow 入门

TensorFlow 数据模型一一张量

---

张量的概念

• 张量是 TensorFlow 管理数据的形式，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，张量可以被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)，也就是一个一维数组；
  • 第 n 阶张量可以理解为一个 n 维数组。

• 张量在 TensorFlow 中的实现并不是直接采用数组的形式，它只是对TensorFlow 中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

• TensorFlow中的张量和 NumPy 中的数组不同，TensorFlow 计算的结果不是一个具体的数字，而且一个张量的结构。一个张量中主要保存了三个属性 ： 名字（name）、维度（shape）和类型（type）。

  # 以向量加法为例，当运行如下代码时，并不会得到加法的结果，而会得到对结果的一个引用。
  import tensorflow as tf 
  # tf.constant是一个计算，这个计算的结果为一个张量，保存在变量a中。
  a = tf.constant([1.0, 2.0], name="a")
  b = tf.constant([2.0, 3.0], name="b")
  result = tf.add(a, b, name="add")
  print(result)
  # 输出：Tensor("add:0", shape=(2,), dtype=float32)
  

• 张量的第一个属性名字不仅是一个张量的唯一标识符，它同样也给出了这个张量是如何计算出来的。

• TensorFlow 的计算都可以通过计算图 的模型来建立，而计算图上的每一个节点代表了 一个计算，计算的结果就保存在张量之中，所以张量和计算图上节点所代表的计算结果是对应的。

• 张量的命名可以通过 “node:src_output”的形式来给出。

  • 其中 node 为节点的名称，src一output 表示当前张量来自节点的第几个输出。
  • 比如“ add:0”就说明了 result 这个张量是计算节点“add” 输出的第一个结果（编号从0开始）。

• 张量的第二个属性是张量的维度（shape）。

  • 这个属性描述了一个张量的维度信息。
  • 比如shape=(2，）说明了张量 result 是一个一维数组，这个数组的长度为2。

• 张量的第三个属性是类型（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，当发现类型不匹配时会报错。
  • 如果不指定类型，TensorFlow 会给出默认的类型，比如不带小数点的数会被默认为 int32，带小数点的会默认为 float32 。
  • 因为使用默认类型有可能会导致潜在的类型不匹配问题，所以一般建议通过指定 dtype 来明确指出变量或者常量的类型。

张量的使用

• 张量使用主要可以总结为两大类。
  • 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，使用张量可以大大提高代码的可读性。
    • 当计算的复杂度增加时（比如在构建深层神经网络时）通过张量来引用计算的中间结果可以使代码的可阅读性大大提升。
    • 通过张量来存储中间结果可以方便获取中间结果。比如在卷积神经网络中，卷积层或者池化层有可能改变张量的维度，通过 result.get_shape 函数来获取结果张量的维度信息可以免去人工计算的麻烦。
  • 使用张量的第二类情况是当计算图构造完成之后，张量可以用来获得计算结果，也就是得到真实的数字。
    • 虽然张量本身没有存储具体的数字，但是通过会话，就可以得到这些具体的数字。