TensorFlow數據模型——張量

TensorFlow最重要的概念就是Tensor和Flow，Tensor就是張量，Flow就是流，它們合在一起直觀地表達了張量之間通過計算相互轉化的過程。

在TensorFlow程序中，所有的數據都通過張量的形式來表示，張量是TensorFlow管理數據的工具。張量可以被簡單地理解爲多維數組，零階張量表示標量即一個數，一階張量表示向量即一維數組，n階張量表示一個n維數組。

注意，張量在TensorFlow中的實現並不是直接採用數組的形式，而是對TensorFlow中計算結果的引用，在張量中並沒有真正保存數字，它保存的是如何得到這些數字的計算過程，有以下示例代碼：

import tensorflow as tf

#tf.constant是一個計算，這個計算的結果是張量，保存在變量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)

輸出結果爲：

Tensor("add:0", shape=(2,), dtype=float32)

從上述代碼的運行結果可以看出，一個張量中主要保存了三個屬性——名字、維度和類型：

• 名字（name）不僅是一個張量的唯一標識符，還描述了這個張量是如何計算出來的。張量的命名可以通過“node:src_output“的形式給出來，其中node爲節點的名稱，src_output表示當前張量來自節點的第幾個輸出（編號從0開始）。在計算圖上每一個節點代表一個計算，計算的結果就保存在張量中，關於計算圖的詳細內容請參照：TensorFlow計算模型——計算圖。

• 維度（shape）描述了張量的維度數以及各個維度的大小。

• 類型（type）描述了張量在計算圖中的類型，每一個張量會有一個唯一的類型，TensorFlow會對參與計算的所有張量進行類型的檢查，當發現類型不匹配時會報錯，如以下代碼：

  import tensorflow as tf
  a = tf.constant([1,2], name="a")
  b = tf.constant([2.0,3.0], name="b")
  result = a + b
  

  運行程序會報類型不匹配的錯誤：

  ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b:0", shape=(2,), dtype=float32)'
  

  如果將第一個張量指定爲實數類型，那麼計算就不會報錯了：

  a = tf.constant([1,2], name="a", dtype=tf.float32)
  

  如果不指定類型，TensorFlow會給出默認的類型，使用默認類型有可能導致潛在的類型不匹配問題，因此一般通過指定dtype來明確指出張量的類型。

  TensorFlow支持14種不同的類型，主要包括：

  1. 實數類型：tf.float32，tf.float64；

  2. 整數類型：tf.int8，tf.int16，tf.int32，tf.int64，tf.uint8；

  3. 布爾型：tf.bool；

  4. 複數類型： tf.complex64，tf.complex128。

張量主要有以下兩種用途：

• 第一種用途是對中間計算結果進行引用，當一個計算包含很多中間結果時，使用張量可以大大提高代碼的可讀性，通常在構建深層神經網絡時就不可避免地要用張量來引用中間結果，同時通過張量來存儲中間結果可以方便獲取中間結果，比如在卷積神經網絡中，卷積層或者池化層有可能改變張量的維度，通過張量的get_shape()函數來獲取張量的維度信息可以免去人工計算的麻煩。

• 第二種用途是當計算圖構造完成之後，張量可以用來獲得計算結果，也就是真實的數字，雖然張量本身不存儲真實的數字，但在會話中通過run()函數或eval()可以得到計算結果，關於會話的詳細內容請參照：TensorFlow運行模型——會話。