Tensorflow = Tensor（张量） + flow（数据流图）

1、张量

张量可不是“麻辣烫”！张量是一个很抽象的概念，直观的来说，张量在tensorflow中就像一个杯子，起到保存数据的作用，我们也可以把张量看成一个不同维度的数组。

0阶的张量是一个标量，就是一个数值；

1阶的张量是一个向量；

2阶的张量是一个矩阵；

3阶的张量是一个三维矩阵。

以此类推...

#定义0阶张量
a = tf.constant(2.,name="a")
#定义1阶张量
b = tf.constant([3],name="b")
#定义2阶张量
c = tf.constant([[4,5]],name="c")
print(a)
print(b)
print(c)

输出结果：

Tensor("a:0", shape=(), dtype=float32)
Tensor("b:0", shape=(1,), dtype=int32)
Tensor("c:0", shape=(1, 2), dtype=int32)

a、b、c三个张量分别是0阶、1阶、2阶，可以看出来Tensor有类型、形状两个属性。

2、数据流图

如果大家看过官方的教程，那么对上图肯定很熟悉。所谓Tensorflow，简单的说，就是tensor（张量）数据在图中flow（流动）计算的过程。