Python tf.Tensor用法及代码示例

tf.Tensor 表示元素的多维数组。

用法

tf.Tensor(
    op, value_index, dtype
)

所有元素都是单一的已知数据类型。

在编写 TensorFlow 程序时，操作和传递的主要对象是 tf.Tensor 。

tf.Tensor 具有以下属性：

• 单一数据类型(例如，float32、int32 或字符串)
• 一个形状

TensorFlow 支持即刻执行和图执行。在即刻执行中，会立即评估操作。在图执行中，构建计算图以供以后评估。

TensorFlow 默认为即刻执行。在下面的示例中，立即计算矩阵乘法结果。

# Compute some values using a Tensor
c = tf.constant([[1.0, 2.0], [3.0, 4.0]])
d = tf.constant([[1.0, 1.0], [0.0, 1.0]])
e = tf.matmul(c, d)
print(e)
tf.Tensor(
[[1. 3.]
 [3. 7.]], shape=(2, 2), dtype=float32)

请注意，在即刻执行期间，您可能会发现您的 Tensors 实际上属于 EagerTensor 类型。这是一个内部细节，但它确实让您可以访问一个有用的函数 numpy ：

type(e)
<class '...ops.EagerTensor'>
print(e.numpy())
  [[1. 3.]
   [3. 7.]]

在 TensorFlow 中，tf.function 是定义图执行的常用方法。

张量的形状(即张量的秩和每个维度的大小)可能并不总是完全已知的。在tf.function 定义中，形状可能只是部分已知的。

如果输入的形状也完全已知，则大多数操作会产生 fully-known 形状的张量，但在某些情况下，只能在执行时找到张量的形状。

许多专用张量可用：参见 tf.Variable 、 tf.constant 、 tf.placeholder 、 tf.sparse.SparseTensor 和 tf.RaggedTensor 。

警告：从 numpy 数组或 pandas 数据帧构造张量时，可以重用底层缓冲区：

a = np.array([1, 2, 3])
b = tf.constant(a)
a[0] = 4
print(b)  # tf.Tensor([4 2 3], shape=(3,), dtype=int64)

注意：这是一个可能会更改的实现细节，用户不应依赖此行为。

有关张量的更多信息，请参阅指南。