在本章中，我们将了解TensorFlow的基础知识，将从理解张量的数据结构开始。

张量数据结构

张量(tensor)用作TensorFlow语言中的基本数据结构。张量表示任何称为数据流图的流程图中的连接边。张量也可以定义为多维数组或列表。

通过以下三个参数识别张量 -

秩
张量中描述的维度单位称为秩，它标识了张量的维数。张量的等级可以描述为定义的张量的阶数或n维。

形状

行数和列数一起定义了Tensor的形状。

类型

Type描述分配给Tensor元素的数据类型。

用户需要考虑以下活动来构建Tensor -

• 构建一个n维数组
• 转换n维数组。

TensorFlow的各种尺度

TensorFlow包括各种尺度。尺度简述如下 -

一维张量

一维张量是正常的阵列结构，其包括一组相同数据类型的值。

声明

>>> import numpy as np
>>> tensor_1d = np.array([1.3, 1, 4.0, 23.99])
>>> print tensor_1d

输出如下面的屏幕截图所示 -

元素的索引与Python列表相同。第一个元素以索引0开始; 要通过索引打印值，只需要指定索引号。

>>> print tensor_1d[0]
1.3
>>> print tensor_1d[2]
4.0

二维张量

阵列序列用于创建“二维张量”。二维张量的创建如下所述，以下是创建二维数组的完整语法 -

>>> import numpy as np
>>> tensor_2d = np.array([(1,2,3,4),(4,5,6,7),(8,9,10,11),(12,13,14,15)])
>>> print(tensor_2d)
[[ 1 2 3 4]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
>>>

可以在指定索引号的行号和列号来跟踪二维张量的特定元素。

>>> tensor_2d[3][2]
14

张量处理和操作

在本节中，我们将了解Tensor处理和操作。

首先，阅读并试着理解以下代码 -

import tensorflow as tf
import numpy as np

matrix1 = np.array([(2,2,2),(2,2,2),(2,2,2)],dtype = 'int32')
matrix2 = np.array([(1,1,1),(1,1,1),(1,1,1)],dtype = 'int32')

print (matrix1)
print (matrix2)

matrix1 = tf.constant(matrix1)
matrix2 = tf.constant(matrix2)
matrix_product = tf.matmul(matrix1, matrix2)
matrix_sum = tf.add(matrix1,matrix2)
matrix_3 = np.array([(2,7,2),(1,4,2),(9,0,2)],dtype = 'float32')
print (matrix_3)

matrix_det = tf.matrix_determinant(matrix_3)
with tf.Session() as sess:
   result1 = sess.run(matrix_product)
   result2 = sess.run(matrix_sum)
   result3 = sess.run(matrix_det)

print (result1)
print (result2)
print (result3)

执行上面示例代码，得到以下结果：

说明

上面的源代码中创建了多维数组。重要的是要了解创建的图形和会话，它们管理Tensors并生成适当的输出。在图形的帮助下，输出了指定Tensors之间的数学计算。