【TensorFlow系列教程第二章】深入理解 TensorFlow 中的张量、计算图与会话

深入理解 TensorFlow 中的张量、计算图与会话

摘要：本文旨在详细介绍 TensorFlow 中几个核心概念——张量（Tensor）、计算图（Computational Graph）以及会话（Session），帮助读者更好地掌握 TensorFlow 框架，为后续进行深度学习相关的开发与实践奠定基础。

一、张量（Tensor）

在 TensorFlow 中，张量（Tensor）类似于 NumPy 中的数组，是一个多维数组，能在不同维度上存储多个元素，并且它是计算图的基本数据结构，用于表示输入数据、中间计算结果以及输出数据。

（一）张量的重要属性

1. 数据类型：张量可以具备不同的数据类型，像浮点数、整数等多种类型，以适应不同的计算场景需求。
2. 形状：该属性表示了张量在每个维度上的大小，明确了张量的维度结构。
3. 名称：张量可有一个可选的名称，方便在计算图中对其进行标识，利于调试及理解计算流程。

（二）创建张量的常用方法

1. 使用 tf.constant()创建常量张量：
   示例代码如下：

import tensorflow as tf

tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
print(tensor)

通过 tf.constant() 函数，可以直接定义一个包含特定元素的常量张量。

2. 使用 tf.Variable()创建可变张量：

import tensorflow as tf

tensor = tf.Variable(tf.random.normal(shape=(2,