Tensorflow的核心概念
tensorflow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。
节点（Nodes）在图中表示数学操作，图中的线（edges）表示节点间互相联系的多维数据数组，即张量（tensor）。
它灵活的架构可以在多种平台上展开计算。
Tensorflow的优点：
1、灵活性：支持底层数值计算，C++自定义操作符
2、可移植性：从服务器到PC到手机，从CPU到GPU到TPU
3、分布式计算：分布式并行计算，可指定操作符对应计算设备
Tensorflow底层最核心的概念是张量，计算图以及自动微分。
张量数据结构
程序 = 数据结构+算法。TensorFlow程序 = 张量数据结构 + 计算图算法语言
张量和计算图是 TensorFlow的核心概念。
Tensorflow的基本数据结构是张量Tensor。张量即多维数组。Tensorflow的张量和numpy中的array很类似。
从行为特性来看，有两种类型的张量，常量constant和变量Variable.
常量的值在计算图中不可以被重新赋值，变量可以在计算图中用assign等算子重新赋值。
一、常量张量
张量的数据类型和numpy.array基本一一对应
import numpy as np
import tensorflow as tf
i = tf.constant(1) # tf.int32 类型常量
l = tf.constant(1,dtype = tf.int64) # tf.int64 类型常量
f = tf.constant(1.23) #tf.float32 类型常量
d = tf.constant(3.14,dtype = tf.double) # tf.double 类型常量
s = tf.constant("hello world") # tf.string类型常量
b = tf.constant(True) #tf.bool类型常量
print(tf.int64 == np.int64) # True
print(tf.bool == np.bool) # True
print(tf.double == np.float64) # True
print(tf.string == np.unicode) # False, tf.string类型和np.unicode类型不等价
总结：
不同类型的数据可以用不同维度(rank)的张量来表示。
标量为0维张量，向量为1维张量，矩阵为2维张量。
彩色图像有rgb三个通道，可以表示为3维张量。
视频还有时间维，可以表示为4维张量。
可以简单地总结为：有几层中括号，就是多少维的张量。
tf.rank的作用和numpy的ndim方法相同
### 标量，0维张量
scalar = tf.constant(True)
# tf.rank的作用和numpy的ndim方法相同
print(tf.rank(scalar)) # tf.Tensor(0, shape=(), dtype=int32)
print(scalar.numpy().ndim) # 0
### 向量，1维张量
vector = tf.constant([1.0, 2.0, 3.0, 4.0])
print(tf.rank(vector)) # tf.Tensor(1, shape=(), dtype=int32)
print(np.ndim(vector.numpy())) # 1
### 矩阵，2维张量
matrix = tf.constant([[1.0,2.0],[3.0,4.0]])
print(tf.rank(matrix)) # tf.Tensor(2, shape=(), dtype=int32)
print(tf.rank(matrix).numpy()) # 2
print(np.ndim(matrix)) # 2
print(np.ndim(matrix.numpy())) # 2
### 3维张量
tensor3 = tf.constant([[[1.0,2.0],[3.0,4.0]],[[5.0,6.0],[7.0,8.0]]])
# print(tensor3)
print(tf.rank(tensor3)) # tf.Tensor(3, shape=(), dtype=int32)
print(tf.rank(tensor3).numpy()) # 3
print(np.ndim(tensor3)) # 3
tf.cast改变张量的数据结构
可以用numpy方法将tensorflow中的张量转化成numpy中的张量。
可以用shape方法查看张量的尺寸。
h = tf.constant([123,456],dtype = tf.int32)
f = tf.cast(h, tf.float32)
print(h.dtype, f.dtype) # <dtype: 'int32'> <dtype: 'float32'>
y = tf.constant([[1.0,2.0],[3.0,4.0]])
print(y.numpy()) # 转换成np.array
print(y.shape) # (2, 2)
u = tf.constant(u"你好 世界")
print(u.numpy()) # b'\xe4\xbd\xa0\xe5\xa5\xbd \xe4\xb8\x96\xe7\x95\x8c'
print(u.numpy().decode("utf-8")) # 你好 世界
print(u.shape) # () 标量的尺寸就是这个
print(u.dtype) # <dtype: 'string'>
二、变量张量
模型中需要被训练的参数一般被设置成变量
# 常量值不可以改变，常量的重新赋值相当于创造新的内存空间
c = tf.constant([1.0,2.0])
print(c) # tf.Tensor([1. 2.], shape=(2,), dtype=float32)
print(id(c)) # 5276289568
c = c + tf.constant([1.0,1.0])
print(c) # tf.Tensor([2. 3.], shape=(2,), dtype=float32)
print(id(c)) # 5276290240
# 变量的值可以改变，可以通过assign, assign_add等方法给变量重新赋值
v = tf.Variable([1.0,2.0],name = "v")
print(v) # <tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([1., 2.], dtype=float32)>
print(id(v)) # 5276259888
v.assign_add([1.0,1.0])
print(v) # <tf.Variable 'v:0' shape=(2,) dtype=float32, numpy=array([2., 3.], dtype=float32)>
print(id(v)) # 5276259888
