张量 (Tensor): 张量是 TensorFlow 的基本数据结构，它可以看作是一个多维数组。张量有三个重要属性：类型（如浮点数、整数等）、形状（维度大小）、和数据。

计算图 (Computation Graph): 计算图是 TensorFlow 用于定义计算的图结构。图中的节点表示操作（如加法、乘法），边表示张量的数据流。通过构建计算图，TensorFlow 可以有效地执行并行计算。

会话 (Session): 在 TensorFlow 1.x 中，会话用于执行计算图中的操作。会话会分配计算资源并执行图中的操作。而在 TensorFlow 2.x 中，Eager Execution（即时执行模式）被默认启用，不再需要显式使用会话。

变量 (Variable): 变量用于存储在计算过程中需要更新的参数，如神经网络的权重。变量是可以被 TensorFlow 训练过程更新的张量。

TensorFlow 在多维数组或张量上运行，这些张量表示为 tf.Tensor 对象。这是一个二维张量

import tensorflow as tf

x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.]])

print(x)
print(x.shape)
print(x.dtype)

tf.Tensor 的最重要的属性是它的 shape 和 dtype

• Tensor.shape：告诉您张量沿每个轴的大小。
• Tensor.dtype：告诉您张量中所有元素的类型。

TensorFlow 在张量上实现了标准数学运算，以及许多专门用于机器学习的运算。

例如

x + x
5 * x
x @ tf.transpose(x)
tf.concat([x, x, x], axis=0)
tf.nn.softmax(x, axis=-1)
tf.reduce_sum(x)

注意： 通常，在任何 TensorFlow 函数期望 Tensor 作为输入的地方，该函数也将接受可以使用 tf.convert_to_tensor 转换为 Tensor 的任何内容。请参见下面的示例。

tf.convert_to_tensor([1,2,3])

tf.reduce_sum([1,2,3])

在 CPU 上运行大型计算可能很慢。如果配置正确，TensorFlow 可以使用 GPU 等加速器硬件来非常快地执行操作。

if tf.config.list_physical_devices('GPU'):
  print("TensorFlow **IS** using the GPU")
else:
  print("TensorFlow **IS NOT** using the GPU")

张量的关键属性

# 示例张量
import tensorflow as tf

# 创建一个 2x3 的矩阵张量
tensor = tf.constant([[1, 2, 3], [4, 5, 6]])

print(f"形状 (Shape): {tensor.shape}")        # (2, 3)
print(f"数据类型 (Dtype): {tensor.dtype}")    # int32
print(f"维度 (Rank): {tf.rank(tensor)}")      # 2 
print(f"设备 (Device): {tensor.device}")      # /job:localhost/replica:0/task:0/device:CPU:0

解释：

1. 形状（Shape）：描述每个维度的大小

   • (2, 3) 表示 2 行 3 列的矩阵
   • (224, 224, 3) 表示 224×224 像素的 RGB 图像

2. 数据类型（Dtype）：张量中数据的类型

   • tf.float32：32位浮点数（最常用）
   • tf.int32：32位整数
   • tf.bool：布尔值
   • tf.string：字符串

3. 维度/秩（Rank）：张量的维数

   • 标量：秩为 0
   • 向量：秩为 1
   • 矩阵：秩为 2

4. 设备（Device）：张量存储的设备位置

   • CPU：/device:CPU:0
   • GPU：/device:GPU:0

张量在机器学习中的意义

数据表示：

• 输入数据：图像、文本、音频都可以表示为张量
• 模型参数：权重和偏置都是张量
• 中间结果：计算过程中的所有数据都是张量
• 输出结果：预测结果、损失值等

2.图和 tf.function

虽然您可以像使用任何 Python 库一样交互式地使用 TensorFlow，但 TensorFlow 还提供用于以下方面的工具：

• 性能优化：加速训练和推理。
• 导出：以便您可以在训练完成后保存模型。

这些要求您使用 tf.function 将纯 TensorFlow 代码与 Python 代码分开。

@tf.function
def my_func(x):
  print('Tracing.\n')
  return tf.reduce_sum(x)

您第一次运行 tf.function 时，虽然它在 Python 中执行，但它会捕获一个完整的、优化的图，该图表示函数内完成的 TensorFlow 计算。

x = tf.constant([1, 2, 3])
my_func(x)

在后续调用中，TensorFlow 只执行优化的图，跳过任何非 TensorFlow 步骤。请注意，下面的 my_func 不会打印跟踪，因为 print 是一个 Python 函数，而不是 TensorFlow 函数。

x = tf.constant([10, 9, 8])
my_func(x)

对于具有不同签名（shape 和 dtype）的输入，图可能无法重用，因此会生成一个新图。

x = tf.constant([10.0, 9.1, 8.2], dtype=tf.float32)
my_func(x)

这些捕获的图提供了两个好处：

• 在许多情况下，它们可以显着提高执行速度（尽管在这个简单的示例中并非如此）。
• 您可以使用 tf.saved_model 导出这些图，以便在其他系统（如 服务器 或 移动设备）上运行，无需安装 Python。

静态图 vs 动态图
TensorFlow 1.x（静态图）

import tensorflow.compat.v1 as tf
import numpy as np  # 导入numpy库
tf.disable_v2_behavior()

# 1. 定义计算图（原代码不变）
x = tf.placeholder(tf.float32, shape=[None, 784])
W = tf.Variable(tf.random.normal([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b

# 2. 关键：定义input_data（手动创建2个样本，每个样本784个元素）
# np.random.randn(2, 784)：生成2行784列的随机浮点数数组，符合x的格式
input_data = np.random.randn(2, 784).astype(np.float32)  # 转为float32类型，匹配tf格式

# 3. 创建会话并执行（原代码不变）
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # 初始化变量W和b
    result = sess.run(y, feed_dict={x: input_data})  # 传入定义好的input_data
    print("计算结果形状：", result.shape)  # 输出结果形状，验证逻辑正确

TensorFlow 2.x（动态图/即时执行）：

print('动态图机制演示')
import tensorflow as tf
print(tf.__version__)
a=tf.Variable([[1,2],[3,4]])
b=tf.constant([[5,6],[7,8]])

print(a)
#使用tf.add()函数实现2个二维变量的相加。
print(tf.add(a,b))

print(tf.matmul(a,b))

四、变量和变量

变量（Variable）

普通的 tf.Tensor 对象是不可变的。要在 TensorFlow 中存储模型权重（或其他可变状态），请使用 tf.Variable。

var = tf.Variable([0.0, 0.0, 0.0])
var.assign([1, 2, 3])
var.assign_add([1, 1, 1])

变量的值可以用于修改

# 创建变量
weight = tf.Variable(tf.random.normal([2, 3]))
bias = tf.Variable(tf.zeros([3]))

print(f"初始权重:\n{weight}")

# 修改变量的值
weight.assign(tf.ones([2, 3]))
print(f"修改后权重:\n{weight}")

# 部分更新
weight[0, 0].assign(5.0)
print(f"部分更新后:\n{weight}")

变量的关键特性：

1. 状态保持：在训练过程中保持状态
2. 梯度跟踪：可以计算相对于变量的梯度
3. 可优化：可以被优化算法更新
4. 可保存：可以保存到检查点文件

常量（Constant）

常量是不可变的张量，一旦创建就不能修改：

# 创建常量
scalar_const = tf.constant(3.14)
vector_const = tf.constant([1, 2, 3, 4])
matrix_const = tf.constant([[1, 2], [3, 4]])

# 常量的值不能改变
print(scalar_const)  # tf.Tensor(3.14, shape=(), dtype=float32)

变量 vs 常量的使用场景

总结

TensorFlow是Google开源的机器学习框架，以计算图为核心，支持多平台、多语言，可高效执行深度学习任务。其核心概念包括张量、计算图、会话（1.x）、变量与常量。