3.3 Tensor 张量

3.3.1 张量的概念

在TensorFlow中，所有的数据都通过张量的形式来表示。

从功能的角度，张量可以简单理解为多维数组，零阶张量表示标量（scalar），也就是一个数；一阶张量为向量（vector），也就是一维数组；n阶张量可以理解为一个n维数组。需要注意的是，张量并没有真正保存数字，它保存的是计算过程。

3.3.2 张量的属性

以张量Tensor("Add:0", shape=(), dtype=float32) 为例：

1. 名字（Name）

属性的第一项就是名字，一般形式为“node:src_output”，node表示节点名称，src_output 来自节点的第几个输出。

2. 形状（Shape）

属性的第二项是维度，张量的维度可以用三个术语来描述：阶（Rank）、形状（Shape）、维数（Dimension Number）。一般表示形式如表1所示。

阶	形状	维数	例子
0	()	0-D	4
1	(D0)	1-D	[2,3,5]
2	(D0,D1)	2-D	[[2,3],[3,4]]
3	(D0,D1,D2)	3-D	[[[7],[3]],[[2],[4]]]
N	(D0,D1,…,Dn-1)	N-D	形为(D0,D1,…,Dn-1)的张量

表3-1 张量的维度表示

3. 类型（Type）

每一个张量会有一个唯一的类型,TensorFlow在进行运算的时候会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错.

TensorFlow支持14种不同的类型：

实数 tf.float32, tf.float64

整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8

布尔 tf.bool

复数 tf.complex64, tf.complex128

默认类型：不带小数点的数会被默认为int32，带小数点的会被默认为float32。