深入探讨TensorFlow：张量与矩阵

在机器学习和深度学习领域中，TensorFlow作为一款强大且受欢迎的开源机器学习框架，为研究人员和开发者提供了丰富的工具和资源。在TensorFlow中，张量（tensor）和矩阵（matrix）是核心概念，它们承担了存储数据和执行计算的重要任务。本文将深入探讨TensorFlow中的张量和矩阵，介绍它们的基本概念、操作和在深度学习中的应用。

## 张量与矩阵的基本概念

### 张量（Tensor）

在TensorFlow中，张量是多维数组的泛化形式，可以看作是标量、向量和矩阵的高维推广。在数学上，0阶张量即为标量，1阶张量为向量，2阶张量即为矩阵，而在TensorFlow中，我们可以使用更高维度的张量来表示更复杂的数据结构。张量可以存储在TensorFlow的计算图中，并参与各种计算操作。

### 矩阵（Matrix）

矩阵是二维数组的特殊张量，通常用于表示线性变换和多维数据。在深度学习中，矩阵扮演着重要的角色，特别是在神经网络的参数表示和计算中。

## TensorFlow中的张量和矩阵表示

在TensorFlow中，我们可以使用tf.Tensor类来创建和操作张量，同时也可以使用tf.linalg模块来进行矩阵运算。首先，让我们看看如何在TensorFlow中创建和操作张量和矩阵。

### 创建张量

```python
import tensorflow as tf