TensorFlow简单操作：张量与Python变量

我不确定以下4个变量之间的实际差异（它们的评估值都相同）。我的理解是，如果我调用

tf

，它将在图形上创建一个操作，否则可能会。如果我不在开始时创建

tf.constant（）

，我相信在进行加法时会隐式创建常量；但是对于

tf.add（a，b）

vs

a+b

，其中

a

和

b

都是张量（#1和#3），除了默认的命名（前者是

add

，后者是

add

），我看不出有什么区别。有人能解释一下它们之间的区别吗？什么时候应该使用它们

## 1
a = tf.constant(1)
b = tf.constant(1)
x = tf.add(a, b)
with tf.Session() as sess:
    x.eval()

## 2
a = 1
b = 1
x = tf.add(a, b)
with tf.Session() as sess:
    x.eval()

## 3
a = tf.constant(1)
b = tf.constant(1)
x = a + b
with tf.Session() as sess:
    x.eval()

## 4
a = 1
b = tf.constant(1)
x = a + b
with tf.Session() as sess:
    x.eval()

---

他们都一样

a+b中的python-“+”由tensorflow捕获，并实际生成与tf.add（a，b）相同的op

---

contant允许您定义更多细节，例如定义创建的张量的形状、类型和名称。但同样，tensorflow在您的示例a=1中拥有“a”，它相当于tf.constant（1）（在本例中将该常数视为int值）

结果是相同的，因为每个操作符（

add

或

\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu）调用其操作数

tf.add（a+b）
和
a+b
之间的区别在于前者使您能够使用
name
参数为操作命名。相反，后者并没有提供这种能力，而且也使得在Tensorflow环境中，计算可能由Python解释器完成，而不是在Python解释器之外

如果（且仅当）
a
和
b
都不是
Tensor
对象，因此计算中将不涉及Tensorflow，则会发生这种情况。
您给出的四个示例都将给出相同的结果，并生成相同的图（如果忽略图中的某些操作名称不同）。TensorFlow将许多不同的Python对象转换为
tf.Tensor
对象，当它们作为参数传递给TensorFlow操作符时，例如这里的
tf.add（）
。
+
运算符只是
tf.add（）
上的一个简单包装器，当左手或右手参数是
tf.Tensor
（或
tf.Variable
）时，将使用重载

既然您可以将许多Python对象传递给TensorFlow操作符，为什么还要使用
tf.constant（）
？有几个原因：


如果使用相同的Python对象作为多个不同操作的参数，TensorFlow将多次将其转换为张量，并在图中表示这些张量中的每一个。因此，如果Python对象是一个大的NumPy数组，那么如果对该数组的数据进行了太多的复制，则可能会耗尽内存。在这种情况下，您可能希望将数组转换为
tf.Tensor
一次

创建
tf.constant（）
显式允许您设置其
name
属性，这对于TensorBoard调试和图形可视化非常有用。（请注意，默认的TensorFlow ops将根据op参数的名称，尝试为每个自动转换的tensor指定一个有意义的名称。）

创建
tf.constant（）
显式允许您设置张量的确切元素类型。TensorFlow将Python
int
对象转换为
tf.int32
，将
float
对象转换为
tf.float32
。如果需要
tf.int64
或
tf.float64
，可以通过将相同的值传递给
tf.constant（）
并传递显式
dtype
参数来实现

tf.constant（）
函数在创建具有重复值的大张量时也提供了一个有用的功能：

c = tf.constant(17.0, shape=[1024, 1024], dtype=tf.float32)

上面的tensor
c
表示4*1024*1024字节的数据，但TensorFlow将在图形中以单个浮点
17.0
加上指示应如何解释的形状信息的形式简洁地表示它。如果图形中有许多大的填充常量，那么用这种方法创建它们会更有效