如何理解TensorFlow中的术语``张量''？

TensorFlow没有一流的Tensor对象，这意味着

Tensor

在运行时执行的基础图中没有任何概念。相反，该图由相互连接的op节点组成，代表操作。操作分配内存的输出，这些都可以在端点上

:0

，

:1

等等，你可以认为这些端点作为的

Tensor

。如果具有

tensor

，则

nodename:0

可以将其值提取为

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，该op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（例如

tf.group

），则没有张量与其关联。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基础图中发生了什么

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

因此，

tf.constant

有了一个操作节点，您可以使用

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}

或馈入

feed_dict={value:2}

。您不能在同一

session.run

调用中提供和获取占位符，但是可以通过

tf.identity

在顶部附加节点并获取该结果来查看结果。

对于变量

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

你会看到，它创建两个节点

Variable

和

Variable/read

，该

:0

点要在这两个节点获取一个有效的值。但是

Variable:0

具有特殊

ref

类型，这意味着它可以用作变异操作的输入。Python调用的结果

tf.Variable

是一个Python

Variable

对象，并且有一些Python魔术可以替代

Variable/read:0

或

Variable:0

取决于是否需要进行突变。由于大多数操作只有1个端点，

:0

因此将其删除。另一个例子是

Queue

-

close()

方法将创建一个新的

Close

op节点，该节点连接到

Queue

op。总而言之-
根据用途对python对象进行操作

Variable

并

Queue

映射到不同的基础TensorFlow op节点。

对于诸如此类

tf.split

或

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

tuple

或可单独获取

collections.namedtuple

的

Tensor

对象中。