Python 如何理解TensorFlow中的“tensor”一词？

我是TensorFlow的新手。在阅读现有文档时，我发现术语

张量

非常令人困惑。因此，我需要澄清以下问题：

张量

和

变量

，

张量

相对于

tf.常数，'tensor'相对于
tf.占位符

它们都是张量吗

从：

张量是一种类型化的多维数组。例如，一个4-D浮点数数组表示一小批图像，其尺寸为[批次、高度、宽度、通道]

基本上，每个数据都是TensorFlow中的张量（因此得名）：

• 占位符是可以向其输入值的张量（使用

  sess.run（）

  中的

  feed\u dict

  参数）
• 变量是可以更新的张量（使用

  var.assign（）

  ）。从技术上讲，

  tf.Variable

  不是

  tf.Tensor

  的子类

• tf.constant

  只是最基本的张量，它包含一个在创建时给定的固定值

---

---

但是，在图中，每个节点都是一个操作，可以将张量作为输入或输出。

TensorFlow没有一级的张量对象，这意味着在运行时执行的基础图中没有张量的概念。相反，该图由相互连接的op节点组成，表示操作。操作为其输出分配内存，这些输出在端点

：0

、

：1

等上可用，您可以将这些端点中的每一个都视为

张量。如果您有与
nodename:0
对应的
tensor
，则可以将其值作为
sess.run（tensor）
或
sess.run（'nodename:0'）
。执行粒度发生在操作级别，因此
run
方法将执行op，它将计算所有端点，而不仅仅是
：0
端点。可以有一个没有输出的Op节点（比如
tf.group
），在这种情况下，没有与之相关的张量。如果没有基本的Op节点，就不可能有张量

您可以通过这样做来检查底层图形中发生了什么

tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())

因此，使用
tf.constant
可以获得一个操作节点，您可以使用
sess.run（“Const:0”）
或
sess.run（value）

类似地，
value=tf.placeholder（tf.int32）
创建了一个名为
placeholder
的常规节点，您可以将其作为
feed\u dict={“placeholder:0”：2}
或
feed\u dict={value:2}
进行馈送。您不能在同一个
会话中馈送和获取占位符。运行
调用，但您可以通过在顶部附加
tf.identity
节点并获取占位符来查看结果

对于变量

tf.reset_default_graph()
value = tf.Variable(tf.ones_initializer()(()))
value2 = value+3
print(tf.get_default_graph().as_graph_def())

您将看到它创建了两个节点
Variable
和
Variable/read
，
：0
端点是在这两个节点上获取的有效值。但是
变量：0
有一个特殊的
ref
类型，这意味着它可以用作变异操作的输入。Python调用
tf.Variable
的结果是一个Python
Variable
对象，有一些Python魔法可以替代
Variable/read:0
或
Variable:0
，这取决于是否需要变异。由于大多数操作只有一个端点，因此会删除
：0
。另一个例子是
Queue
--
close（）
方法将创建一个新的
close
op节点，该节点连接到
Queue
op。总而言之，
Variable
和
Queue
等python对象上的操作会根据使用情况映射到不同的底层TensorFlow op节点

对于像
tf.split
或
tf.nn.top_k
这样创建具有多个端点的节点的操作，Python的
session.run
调用会自动将输出包装在
tuple
或
集合中。命名为
Tensor
对象的tuple
，这些对象可以单独获取。
如其他人所述，是的，它们都是张量

我理解这些的方式是首先可视化和理解1D、2D、3D、4D、5D和6D张量，如下图所示。（来源：knoldus）


现在，在TensorFlow的上下文中，您可以想象一个如下所示的计算图


这里，
Op
s采用两个张量
a
和
b
作为输入；将张量与自身相乘，然后将这些相乘的结果相加，以生成结果张量
t3
。这些乘法和加法发生在计算图中的节点上

这些张量
a
和
b
可以是常量张量、变量张量或占位符。这并不重要，只要它们具有相同的数据类型和兼容的形状（或能够广播），就可以实现操作。
TensorFlow的中心数据类型是tensor。张量是计算的基本组成部分，也是TensorFlow中的基本数据结构。在不使用复杂数学解释的情况下，我们可以说张量（在TensorFlow中）描述了一个多维数值数组，由秩、形状和类型决定的零维或n维数据集合。阅读更多信息：
是的，张量就像一个对象，它可以是一个字符串、一个变量等等……我认为理解TensorFlow中的数据和操作对这个问题很有帮助。我不同意。如果您查看tensorflow白皮书的第2节：“在tensorflow图中，每个节点都有零个或多个输入和零个或多个输出，并表示操作的实例化”。变量、常量和占位符是节点，也就是操作的实例化，就像tf.mul或