写在前面：此篇纯属自我记录，参考意义不大。

• 数据类型
  • 数值型
    • 标量Scalar：1.0，2.3等，shape为0->[] a = 1.2
    • 向量Vector：[1.0],[2.3,5.4]等，shape为1->[n] a = tf.constant([2.3,5.4])
    • 矩阵Matrix：[[1.0,2.3],[3.4,5.4]]等，shape为2->[n,m] a = tf.constant([[1.0,2.3],[3.4,5.4]]
    • 张量Tensor：维度数dim>2的数组统称为张量，张量的每个维度也叫轴(Axis) tf = constant([[[1,2],[3,4]],[[5,6],[7,8]]])
  • 字符串型
    • a = tf.constant('hello world')
    • 函数：join(),length(),split()
  • 布尔型
    • Boolean、bool a = tf.constant(True)
    • TensorFlow的布尔类型和python语言的布尔类型并不对等
• 数值精度
  • tf.int16、tf.int32、tf.int64、tf.float32、tf.float64(tf.double)
• 待优化张量
  • tf.Variable，为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量，再普通张量的基础上添加了name，trainable等属性来支持计算图的构建
• Numpy、list --> tensor
  • tf.convert_to_tensor([1,2.3])，numpy中浮点数数组默认使用64-bit精度保存数据，转换到Tensor类型时精度为tf.float64
• 合并和分割
  • 拼接：tf.concat([a,b],axis=0)，不会创建新的维度
  • 堆叠：tf.stack([a,b],axis=0),增加第一个维度
  • 分割：tf.split(x,axis,num_or_size_splits)，x是待分割张量，axis分割的维度索引号，num_or_size_splits切割方案
• 向量范数
  • tf.norm(x,ord=1)、tf.norm(x,ord=2)、tf.norm(x,ord=np.inf)计算∞范数
• 最大最小值、均值、和
  • tf.reduce_max,tf.reduce_min,tf.reduce_mean,tf.reduce_sum
• 张量比较
  • 为了计算分类任务的准确率等指标，一般需要将预测结果和真实标签比较，统计比较结果中正确的数量来就是计算准确率。
  • out = tf.equal(pred,y)->true\false out = tf.cast(out,dtype=tf.float32)->int correct = tf.reduce_sum(out)->true的个数
  • tf.math.greater(a>b)、tf.math.less(a<b)、tf.math.greater_equal(a>=b)、tf.math.less_equal(a<=b)、tf.math.not_equal(a!=b)、tf.math. is_nan(a = nan)
•