本主题内容：
  Tensorflow的图的核心构成就是数据与数据操作，在Tensorflow中所有数据都表示成张量（Tensor），数据操作就是函数。

1. 张量定义
2. 张量使用

• TensorFlow 核心是由两个互相独立的部分组成：
  1. 构建 计算图 (在API中使用 tf.Graph 实现)
  2. 运行 计算图（在API中使用 tf.Session 实现）
  在这里首先重点关注图的构建
• 图由两种类型的对象组成。
  1. 张量： 图的边。它们代表流经图的值。在API中使用tf.Tensors表示。大多数 TensorFlow 函数会返回张量。
  2. 操作（简称“op”）： 操作描述了消耗和生成张量的计算。

一、张量定义

1. 张量的作用

• 张量作为图的核心要素，主要有两个基本作用：
  1. 作为操作的输入与输出，通过操作构成数据流。
  2. 通过tf.Session.run的调用，作为图计算的起点。
       按照对最终张量的计算要求，沿着数据流调用操作，实现对整个复杂图的计算。
       也可以使用t.eval() 调用执行，等价于tf.get_default_session().run(t)。

2. 张量类的API介绍

  可以从Tensorflow的API参考文档获取张量Tensor类的帮助。

• 构造器

   __init__(
          op,            #操作名
          value_index,   #产生这个张量的操作的终结点的索引。
          dtype          #数据类型
    )
  

• 属性

  每个张量对象都是有 操作op 指令产生，Tensorflow提供常见 操作op 实现，用户也可以实现自己的 操作op 定义（比较麻烦，后面由专门主题解释）。可以调用操作构造器tf.matmul来创建 操作op 对象。
  其中数据类型由Tensorflow内部定义：

提示：在张量shape的表示也需要注意，标量形状使用[ ]表示。
标量形状表示 [ ]：比如3
向量形状表示 [3]：比如[1., 2., 3.]
矩阵形状表述[2, 3]：表示行2列3的矩阵、
高阶张量形状表示[2,4,8]。
如果张量某个维度大小未知，在输入数据确定，可以使用None。

• 属性例子

  #coding=utf-8
  import tensorflow as tf
  
  ts = tf.constant(3.0, dtype=tf.float32)
  print("device:",ts.device)
  print("dtype:",ts.dtype)
  print("shape:",ts.shape)
  print("name:",ts.name)
  print("op:",ts.op)
  print("value_index:",ts.value_index)       #从0开始
  

• 执行结果

  Tensor属性例子

• 方法
  Tensor的方法主要都是运算符号的重载实现（一般的数学运算表达式构成基础，比如：+，-等运算）。

Tensor内置函数	对应运算符号
abs	tf.abs(x) 对复数计算方式为
add	x + y
div	x / y
floordiv	x // y (Python3)
sub	x - y
pow	x ** y 等价于
matmul	a * b，对向量就是内积(a @ b)
mul	Dispatches cwise mul for "DenseDense" and "DenseSparse".稀疏与密集处理计算
mod	x % y
neg	-x
truediv	此函数强制使用Python 3除法运算符语义，其中所有整数参数首先转换为浮点类型。
invert	~ x
and	x & y
or	x | y
xor	x ^ y
bool	把Tensor对象当bool值使用
nonzero	防止把Tensor对象当bool值使用
radd	x+=y
rdiv	x/=y
rfloordiv	x//=y
rmatmul	x*=y
rmod	x%=y
rmul	x*=y
rpow	x**=y
rsub	x-=y
rtruediv	此函数强制使用Python 3除法运算符语义，其中所有整数参数首先转换为浮点类型。
rand	x &= y
rxor	x ^= y
ror	x |= y
eq	x == y
ge	x >= y
gt	x > y
le	x <= y
lt	x < y
iter	迭代器对象
getitem	[]下标运算符，对标量无效

• 上述运算一般不直接调用，而是在Tensorflow中基本上都有对应函数，比如tf.add等。下面是例子：

    x = tf.constant(-3.0, dtype=tf.float32)
    y = tf.constant(5.0, dtype=tf.float32)
    z = tf.constant(3-4j, dtype=tf.complex64)
  
    session=tf.Session()
    init_op=tf.global_variables_initializer()
    session.run(init_op)
  
    ats=tf.abs(z)
    print(session.run([z,ats]))
    print(session.run(tf.truediv(x,y)))
  

3. 定义张量对象

• 特殊的张量可以使用下面函数来构建
  • 1. tf.Variable
  • 2. tf.constant
  • 3. tf.placeholder
  • 4. tf.SparseTensor

  除了 tf.Variable 以外，张量的值是不变的，这意味着对于单个执行任务，张量只有一个值。然而，两次评估同一张量可能会返回不同的值；

• Tensorflow的有返回值的函数基本上都返回张量类型的对象。
  常用的是构建随机数据与连续序列数据：
  • tf.random_normal 正态分布
  • tf.random_uniform 均匀分布
  • tf.random_npoisson 泊松分布
  • tf.random_gamma 伽马分布
  • tf.range 连续序列
  • tf.zeros

  基本上在numpy中定义的变量方式在tensorflow都存在对应的方式。

二、张量使用

1. 张量的运算

• 下面个使用代码说明张量运算的两种方式。

    x = tf.constant(-3.0, dtype=tf.float32)
    y = tf.constant(5.0, dtype=tf.float32)
    z = tf.constant(3-4j, dtype=tf.complex64)
    session=tf.Session()
    init_op=tf.global_variables_initializer()
    session.run(init_op)
  
    ats=tf.abs(z)
    #计算方式一
    print(session.run([z,ats]))
    print(session.run(tf.truediv(x,y)))
    #计算方式二
    print(ats.eval(session=session),z.eval(session=session))
    print(tf.truediv(x,y).eval(session=session))
  

2. 张量作为输入参数

• Session.run函数介绍

    run(
        fetches,
        feed_dict=None,  #使用字典传递参数
        options=None,
        run_metadata=None
    )
  

• 例子代码

    #coding=utf-8
    import tensorflow as tf
    
    x = tf.placeholder(tf.float32, [])  #标量
    y = tf.placeholder(tf.float32, [])  #标量
  
    r=1/2 *(x- y)       #随机均方误差损失计算
  
    session=tf.Session()
    init_op=tf.global_variables_initializer()
    session.run(init_op)
  
    #参数传递
    re=session.run(r,feed_dict={x:10,y:20})
    print(re)
  

  • 注意：
    其中字典的key必须是定义的张量名。

【资源】

• 文件：【 下载 】
  • 1.t03_tensor.py
  • 2.t03_tensor_input.py