一、张量定义
张量：TensorFlow的张量是n维数组，类型为tf.Tensor。
标量：一个数字 （0阶张量）
向量：一维数组 （1阶张量）
矩阵：二维数组 （2阶张量）
二、张量属性
1、张量的类型
#创建常数张量
a = tf.constant(3.0)
print(a)
2、张量的阶
三、张量的指令
1、常数张量（普通）
#创建常数张量
a = tf.constant(3.0)
print(a)
2、张量数组
1、固定张量数组（0）
#创建张量数组
#0：
array_0 = tf.zeros(shape=[3,3]) #3*3数组（0）
2、固定张量数组（1）
#1：
array_1 = tf.ones(shape=[3,3]) #3*3数组（1）3、随机张量数组
#随机：
array_random = tf.random_normal(shape=[2,3], mean=1.75, stddev=0.12)
# 2*3数组 均值(1.75) 标准差
3、查看张量值
查看张量值：张量.eval()
#会话（查看张量）
with tf.Session() as sess:
print(a.eval())
print(array_0.eval())
print(array_1.eval())
print(array_random.eval())
4、张量类型改变
#修改张量类型
array_0 = tf.cast(array_0, tf.int32)
5、张量形状改变
注：属于动态改变张量，需要张量元素个数固定。
#修改张量形状
array_random = tf.reshape(array_random, shape=[3,2])修改前：
修改后：
代码
# 张量（创建与修改）
import tensorflow as tf
# 创建张量
def Create_Tensor():
# 创建常数张量
a = tf.constant(3.0)
print(a)
# 创建张量数组
# 0：
array_0 = tf.zeros(shape=[3, 3]) # 3*3数组（0）
# 1：
array_1 = tf.ones(shape=[3, 3]) # 3*3数组（1）
# 随机：
array_random = tf.random_normal(shape=[2, 3], mean=1.75, stddev=0.12)
# 2*3数组 均值(1.75) 标准差
# 会话（查看张量）
with tf.Session() as sess:
print(a.eval())
print(array_0.eval())
print(array_1.eval())
print(array_random.eval())
# 修改张量
def Modify_Tensor():
global array_0, array_random
print('修改后的：')
# 修改张量类型
array_0 = tf.cast(array_0, tf.int32)
# 修改张量形状
array_random = tf.reshape(array_random, shape=[3, 2])
# 会话（查看张量）
with tf.Session() as sess:
print(array_0.eval())
print(array_random.eval())
# 创建张量
Create_Tensor()
# 修改张量
Modify_Tensor()四、变量
1、定义变量
# 定义变量
a = tf.Variable(initial_value=2)
b = tf.Variable(initial_value=4)
c = tf.add(a,b)2、初始化变量
TensorFlow的变量必须初始化，否则会报错。
# 初始化变量
init = tf.global_variables_initializer()3、开启会话（执行）
# 开启会话
with tf.Session() as sess:
sess.run(init)
print(sess.run(c))
代码
# 变量
import tensorflow as tf
# 定义变量
a = tf.Variable(initial_value=2)
b = tf.Variable(initial_value=4)
c = tf.add(a,b)
# 初始化变量
init = tf.global_variables_initializer()
# 开启会话
with tf.Session() as sess:
sess.run(init)
print(sess.run(c))以上就是TensorFlow神经网络学习之张量与变量概念的详细内容，更多关于TensorFlow的资料请关注编程网其它相关文章！
