我是 TensorFlow 的新手。在阅读现有文档时，我发现这个术语tensor真的很混乱。因此，我需要澄清以下问题：
tensor和Variable、tensor
与tf.constant、“张量”与之间的关系是什么tf.placeholder？- 它们是所有类型的张量吗？
问问题
19909 次
4 回答
67
TensorFlow 没有一流的 Tensor 对象，这意味着Tensor在运行时执行的底层图中没有概念。相反，该图由相互连接的操作节点组成，表示操作。一个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视为一个Tensor. 如果您有tensor对应的，nodename:0您可以将其值获取为sess.run(tensor)或sess.run('nodename:0')。执行粒度发生在操作级别，因此该run方法将执行 op，它将计算所有端点，而不仅仅是:0端点。可能有一个没有输出的 Op 节点（比如tf.group) 在这种情况下，没有与之关联的张量。没有底层 Op 节点就不可能有张量。
您可以通过执行以下操作来检查底层图中发生的情况
tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())
所以tf.constant你得到一个单一的操作节点，你可以使用sess.run("Const:0")或获取它sess.run(value)
同样，value=tf.placeholder(tf.int32)创建一个具有 name 的常规节点Placeholder，您可以将其作为feed_dict={"Placeholder:0":2}or提供feed_dict={value:2}。您不能在同一个调用中提供和获取占位符，但您可以通过在顶部session.run附加一个节点并获取它来查看结果。tf.identity
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())
您会看到它创建了两个节点，并且Variable端点是在这两个节点上获取的有效值。但是有一个特殊的类型，意味着它可以用作变异操作的输入。Python 调用的结果是一个 Python对象，并且有一些 Python 魔法可以替代或取决于是否需要突变。由于大多数操作只有 1 个端点，因此被删除。另一个例子是--方法将创建一个连接到op 的新 op 节点。总结一下——根据使用情况，对 python 对象的操作喜欢并映射到不同的底层 TensorFlow 操作节点。Variable/read:0Variable:0reftf.VariableVariableVariable/read:0Variable:0:0Queueclose()CloseQueueVariableQueue
对于像tf.splitor那样tf.nn.top_k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可以单独获取的对象中tuple或对象中。collections.namedtupleTensor
于 2016-06-16T22:51:35.910 回答
14
于 2016-06-16T08:48:38.163 回答
10
正如其他人已经提到的，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，您可以想象如下图所示的计算图，
在这里，Ops 采用两个张量a和b作为输入；将张量与自身相乘，然后将这些乘法的结果相加以产生结果张量t3。这些乘法和加法 Op发生在计算图中的节点上。
而这些张量a可以b是常数张量、可变张量或占位符。没关系，只要它们具有相同的数据类型和兼容的形状（或broadcast能够）来实现操作。
于 2018-01-12T22:48:01.027 回答
-1
TensorFlow 的中心数据类型是张量。张量是计算的基础组件，也是 TensorFlow 中的基本数据结构。在不使用复杂的数学解释的情况下，我们可以说张量（在 TensorFlow 中）描述了一个多维数值数组，具有零维或 n 维数据集合，由秩、形状和类型决定。阅读更多：TensorFlow 中的张量是什么？
于 2018-05-20T06:54:38.573 回答