摘要：本文介绍了TensorFlow中张量的基础概念与操作。张量作为核心数据结构，具有阶、形状和类型三个关键属性。文章详细讲解了一维和二维张量的创建方法及元素访问方式，并演示了张量的矩阵乘法、加法及行列式计算等操作。通过代码实例展示了如何将NumPy数组转换为TensorFlow张量，构建计算图，并使用会话执行张量运算。最后指出计算图是TensorFlow的核心机制，会话负责启动和执行计算图中的运算。
目录
TensorFlow 基础
张量数据结构
TensorFlow 的各类张量维度
一维张量
定义代码
运行结果（命令行）
二维张量
定义代码
运行结果（命令行）
张量的处理与操作
实现代码
运行结果
代码解析
TensorFlow 基础
在本章中，我们将学习 TensorFlow 的基础知识，首先从理解张量的数据结构开始。
张量数据结构
张量是 TensorFlow 语言中最基础的数据结构，代表着数据流图（Data Flow Graph）中的连接边，本质上被定义为多维数组或列表。
张量由以下三个核心参数标识：
- 阶（Rank）：张量内描述维度的单位，代表张量的维度数量，也可将张量的阶描述为其定义的阶数或 n 维属性。
- 形状（Shape）：由张量的行数和列数共同确定，表征张量的维度规模。
- 类型（Type）：指为张量中元素分配的数据类型。
构建张量时，用户需要完成以下操作：
- 构建 n 维数组
- 转换 n 维数组
张量可分为以下维度类型：一维张量、二维张量、三维张量、四维张量、五维张量
TensorFlow 的各类张量维度
TensorFlow 包含多种维度的张量，各维度张量简要说明如下：
一维张量
一维张量是常规的数组结构，包含一组相同数据类型的值。
定义代码
>>> import numpy as np >>> tensor_1d = np.array([1.3, 1, 4.0, 23.99]) >>> print(tensor_1d)运行结果（命令行）
plaintext
(tensorflow)C:\Users\Radhika>python Python 3.5.5|Anaconda, Inc.|(default,Apr 7 2018, 04:52:34)[MSC v.1900 64 bit (AMD64)] on win32 Type "help","copyright","credits" or "license" for more information. >>> import numpy as np >>> tensor_1d = np.array([1.3, 1, 4.0, 23.99]) >>> print(tensor_1d) [ 1.3 1. 4. 23.99]一维张量的元素索引规则与 Python 列表一致，首个元素的索引为 0，通过指定索引编号即可打印对应元素：
>>> print(tensor_1d[0]) 1.3 >>> print(tensor_1d[2]) 4.0二维张量
二维张量由一系列数组构成，其创建方式如下：
定义代码
>>> 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)运行结果（命令行）
plaintext
(tensorflow) E:\>python Python 3.5.5|Anaconda, Inc.|(default,Apr 7 2018, 04:52:34)[MSC v.1900 64 bit (AMD64)] on win32 Type "help","copyright","credits" or "license" for more information. >>> 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]]二维张量的特定元素可通过指定行号和列号（即索引编号）进行查找：
>>> tensor_2d[3][2] 14 >>> print(tensor_2d[3][2]) 14张量的处理与操作
本节将介绍张量的处理与相关操作，首先来看基础实现代码：
实现代码
import tensorflow as tf import numpy as np # 定义两个三维整型数组 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) # 将数组转换为TensorFlow常量张量 matrix1 = tf.constant(matrix1) matrix2 = tf.constant(matrix2) # 张量矩阵乘法 matrix_product = tf.matmul(matrix1, matrix2) # 张量加法 matrix_sum = tf.add(matrix1, matrix2) # 定义三维浮点型数组 matrix_3 = np.array([(2,7,2), (1,4,2), (9,0,2)], dtype = 'float32') print(matrix_3) # 计算张量的行列式 matrix_det = tf.matrix_determinant(matrix_3) # 创建会话并运行张量操作 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)运行结果
plaintext
(tensorflow) E:\TensorFlowProject>python demo1.py [[2 2 2] [2 2 2] [2 2 2]] [[1 1 1] [1 1 1] [1 1 1]] [[2. 7. 2.] [1. 4. 2.] [9. 0. 2.]] 2018-06-28 12:12:56.760005: I T:\src\github\tensorflow\tensorflow\core\platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 [[6 6 6] [6 6 6] [6 6 6]] [[3 3 3] [3 3 3] [3 3 3]] 55.999992代码解析
上述代码中，我们首先创建了多个多维数组，随后将其转换为 TensorFlow 的张量并构建了计算图，同时通过会话（Session）管理张量的执行。
计算图是 TensorFlow 的核心，用于定义张量之间的数学运算关系；而会话则负责启动计算图，执行张量的乘法、加法、求行列式等操作，并输出最终的计算结果。
