TensorFlow 数据模型 -- 张量
Tensor
在 TensorFlow 程序中，所有 的数据都通过张量的形式来表示。从功能的角度上看，张量可以被简单理解为多维数组。
其中零阶张量表示标量（ scalar ） ，也就是一个数； 第一阶张量为向量(vector)，也就是一个一维数组；第 n 阶张量可以理解为一个 n 维数组 。
但张量在 TensorFlow 中的实现并不是直接采用数组的形式，它只是对 TensorFlow 中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。
以向量加法为例，当运行如下代码时，并不会得到加法的结果，而会得到对结果的一个引用。
product = tf.matmul(matrix1, matrix2)
print(product) # Tensor("MatMul:0", shape=(1, 1), dtype=float32)
一个张量中主要保存了三个属性 ： 名字（ name ）、维度（ shape ）和类型（ type ）
- 第一个属性名字不仅是一个张量的唯一标识符 ， 它同样也给出了这个张量是如何计算出来的
- 第二个属性是张量的维度（ shape ）。这个属性描述了 一个张量的维度信息
- 第三个属性是类型（ type ），每一个张量会有一个唯一的类型。
TensorFlow 会对参与运算的所有张量进行类型的检查 ， 当发现类型不匹配时会报错。
TensorFlow 支持 14 种不同的类型， 主要包括了实数（ tf.float32 、 tf.float64 ）、整数（ tf.int8 、 tf.intl 6 、 tf.int32 、 tf.int64 、 tf.uint8 ）、布尔型 C tf.bool) 和复数（ tf.complex64 、tf.complex128 ） 。
Feed
上述示例在计算图中引入了 tensor，以常量或变量的形式存储。ensorFlow 还提供了 feed 机制，该机制 可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁，直接插入一个 tensor。
feed 使用一个 tensor 值临时替换一个操作的输出结果。你可以提供 feed 数据作为 run() 调用的参数。feed 只在调用它的方法内有效，方法结束，feed 就会消失。
最常见的用例是将某些特殊的操作指定为 "feed" 操作，标记的方法是使用 tf.placeholder() 为这些操作创建占位符。
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply (input1, input2)
with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
# [array([ 14.], dtype=float32)]
相关推荐
深度学习 -- 损失函数
深度残差网络（Deep Residual Networks (ResNets)）
深度学习 -- 激活函数
神经网络训练 -- 调整学习速率
生成对抗网络（GAN）改进与发展
生成对抗网络（GAN）优点与缺点
生成对抗网络（GAN）的训练
生成对抗网络（GAN）基本原理
生成模型与判别模型