如何理解TensorFlow术语`tensor`？如何理解TensorFlow术语`tensor`？

我是新来TensorFlow。 当我读了现有的文件，我发现术语tensor让人有些困惑。 因为它，我要澄清以下几个问题：

1. 之间是什么关系tensor和Variable ， tensor
   与tf.constant ， '张'对tf.placeholder ？
2. 他们是所有类型的张量？

Answer 1:

TensorFlow没有一流的张量的对象，这意味着没有任何的概念Tensor在底层的图是年代由运行时执行。 代替图由彼此连接的运算节点，代表操作。 的操作对于它的输出，其可在端点上分配内存:0 :1 ，等等，并且可以认为这些端点作为一个的的Tensor 。 如果你有tensor对应nodename:0您可以获取其作为价值sess.run(tensor)或sess.run('nodename:0') 执行粒度发生在操作层面，所以run方法将执行运算，将计算所有的端点，而不仅仅是:0端点。 它可能有一个与没有输出的运算节点（像tf.group ），在该情况下，没有与之相关联的张量。 它是不可能有张量没有底层运算节点。

您可以检查做这样的事情在底层图发生了什么

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

因此，与tf.constant你得到一个单一的操作节点，你可以使用它拿来sess.run("Const:0")或sess.run(value)

类似地， value=tf.placeholder(tf.int32)创建具有名称的常规节点Placeholder ，你可以给它作为feed_dict={"Placeholder:0":2}或feed_dict={value:2} 你不能养活并获取在同一个占位符session.run电话，但你可以通过将一个看到的结果tf.identity在顶部节点上获取这一点。

对于可变

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

你会看到，它创建两个节点Variable和Variable/read时， :0点要在这两个节点获取一个有效的值。 然而Variable:0具有特殊的ref类型这意味着它可以被用作输入到突变操作。 Python中调用的结果tf.Variable是一个Python Variable对象，并有一些Python魔术替代Variable/read:0或Variable:0取决于突变是否是必要的。 由于大多数OPS只有1个端点， :0被丢弃。 另一个例子是Queue - close()方法将创建一个新的Close ，其连接到运算节点Queue运算。 总结-对像蟒对象的操作Variable和Queue映射，以根据使用不同的基础TensorFlow运算节点。

对于像OPS tf.split或tf.nn.top_k其创建具有多个端点节点，Python的session.run来电自动换行输出tuple或collections.namedtuple的Tensor对象可单独取出。

Answer 2:

从词汇表 ：

张量是类型化的多维数组。 例如，浮动表示与尺寸[批次，高度，宽度，通道]迷你一批图像点数的4 d阵列。

基本上，每个数据是在TensorFlow（因此而得名）张量：

• 占位符是张量，其可以喂的值（与feed_dict在参数sess.run()
• 变量是张量，你可以更新（与var.assign() 从技术上讲， tf.Variable不是一个子类tf.Tensor虽然
• tf.constant只是最基础的张量，其中包含在您创建时给出一个固定值

---

然而，在图中，每个节点是一个操作，其可具有张量作为输入或输出。

Answer 3:

正如其他人已经提到的，是的，他们都是张量。

我理解那些的方式是第一可视化和理解1D，2D，3D，4D，5D和6D张量，如下面的图片。 （来源：knoldus）

现在，在TensorFlow的情况下，你能想象一个计算图类似下面，

在此， Op 。就拿2张量a和b作为输入 ; 乘以自身的张量，然后将这些乘法的结果产生结果张量t3 。 而这些乘法和加法 Op小号发生在计算图的节点。

和这些张量a和b可以是恒定的张量，可变张量，或者占位符。 没关系，只要它们是相同的数据类型和兼容形状（或broadcast能的话）来实现操作。

Answer 4:

TensorFlow的中央数据类型是张量。 张量是计算和在TensorFlow的基本数据结构的基础组件。 如果不使用复杂的数学解释，我们可以说张量（以TensorFlow）描述了一个多维数组的数值，零或正维收集的数据，按职级，形状决定，并type.Read更多： 什么是张量在TensorFlow？

文章来源: How to understand the term `tensor` in TensorFlow?