如何理解 TensorFlow 中的术语“张量”？
How to understand the term `tensor` in TensorFlow?
我是 TensorFlow 的新手。在阅读现有文档时，我发现术语 tensor 非常令人困惑。因此，我需要澄清以下问题：
tensor和Variable有什么关系，tensor
对比 tf.constant、'tensor' 对比 tf.placeholder?- 它们都是张量类型吗？
来自glossary：
A Tensor is a typed multi-dimensional array. For example, a 4-D array of floating point numbers representing a mini-batch of images with dimensions [batch, height, width, channel].
基本上，每个 data 都是 TensorFlow 中的张量（因此得名）：
- 占位符是张量，您可以向其输入值（使用
sess.run() 中的 feed_dict 参数）
- 变量是可以更新的张量（
var.assign()）。从技术上讲，tf.Variable 不是 tf.Tensor 的子类，但
tf.constant只是最基本的Tensor，它包含了创建时给定的固定值
然而，在图中，每个节点都是一个操作，可以将张量作为输入或输出。
TensorFlow 没有 first-class 张量对象，这意味着在运行时执行的基础图中没有 Tensor 的概念。相反，该图由相互连接的 op 节点组成，代表操作。操作为其输出分配内存，这些输出在端点 :0、:1 等上可用，您可以将这些端点中的每一个视为 Tensor。如果你有 tensor 对应 nodename:0 你可以获取它的值作为 sess.run(tensor) 或 sess.run('nodename:0')。执行粒度发生在操作级别，因此 run 方法将执行计算所有端点的操作，而不仅仅是 :0 端点。可能有一个没有输出的 Op 节点（如 tf.group），在这种情况下，没有与之关联的张量。没有底层 Op 节点就不可能有张量。
您可以通过执行类似这样的操作来检查底层图形中发生的情况
tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())
所以使用 tf.constant 你得到一个单一的操作节点，你可以使用 sess.run("Const:0") 或 sess.run(value)
来获取它
类似地，value=tf.placeholder(tf.int32) 创建一个名称为 Placeholder 的常规节点，您可以将其作为 feed_dict={"Placeholder:0":2} 或 feed_dict={value:2} 提供。您不能在同一个 session.run 调用中提供和获取占位符，但您可以通过在顶部附加一个 tf.identity 节点并获取它来查看结果。
对于变量
tf.reset_default_graph()
value = tf.Variable(tf.ones_initializer()(()))
value2 = value+3
print(tf.get_default_graph().as_graph_def())
您会看到它创建了两个节点 Variable 和 Variable/read，:0 端点是在这两个节点上获取的有效值。但是 Variable:0 有一个特殊的 ref 类型，这意味着它可以用作变异操作的输入。 Python 调用 tf.Variable 的结果是一个 Python Variable 对象，并且有一些 Python 魔法可以替代 Variable/read:0 或 Variable:0 取决于关于是否需要突变。由于大多数操作只有 1 个端点，因此 :0 被删除。另一个例子是 Queue -- close() 方法将创建一个新的 Close op 节点连接到 Queue op。总而言之——对 python 对象（如 Variable 和 Queue 的操作映射到不同的底层 TensorFlow 操作节点，具体取决于使用情况。
对于像 tf.split 或 tf.nn.top_k 这样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 collections.namedtuple 个可以单独获取的 Tensor 个对象。
正如其他人已经提到的，是的，它们都是张量。
我理解这些的方法是首先可视化和理解 1D、2D、3D、4D、5D 和 6D 张量，如下图所示。 （来源：knoldus）
现在，在 TensorFlow 的上下文中，您可以想象一个如下图所示的计算图，
这里，Ops取两个张量a和b作为输入； 将张量与自身相乘，然后加上这些乘法的结果以产生结果张量t3。这些乘法和加法Op发生在计算图中的节点。
而这些张量a和b可以是常数张量，也可以是变量张量，也可以是占位符。没关系，只要它们具有相同的数据类型和兼容的形状（或broadcast能够）来实现操作。
TensorFlow 的核心数据类型是张量。张量是计算的基础组件，也是 TensorFlow 中的基本数据结构。在不使用复杂的数学解释的情况下，我们可以说张量（在 TensorFlow 中）描述了一个多维数值数组，具有零维或 n 维数据集合，由等级、形状和 type.Read 确定更多：What is tensors in TensorFlow?
我是 TensorFlow 的新手。在阅读现有文档时，我发现术语 tensor 非常令人困惑。因此，我需要澄清以下问题：
tensor和Variable有什么关系，tensor
对比tf.constant、'tensor' 对比tf.placeholder?- 它们都是张量类型吗？
来自glossary：
A Tensor is a typed multi-dimensional array. For example, a 4-D array of floating point numbers representing a mini-batch of images with dimensions [batch, height, width, channel].
基本上，每个 data 都是 TensorFlow 中的张量（因此得名）：
- 占位符是张量，您可以向其输入值（使用
sess.run()中的feed_dict参数） - 变量是可以更新的张量（
var.assign()）。从技术上讲，tf.Variable不是tf.Tensor的子类，但 tf.constant只是最基本的Tensor，它包含了创建时给定的固定值
然而，在图中，每个节点都是一个操作，可以将张量作为输入或输出。
TensorFlow 没有 first-class 张量对象，这意味着在运行时执行的基础图中没有 Tensor 的概念。相反，该图由相互连接的 op 节点组成，代表操作。操作为其输出分配内存，这些输出在端点 :0、:1 等上可用，您可以将这些端点中的每一个视为 Tensor。如果你有 tensor 对应 nodename:0 你可以获取它的值作为 sess.run(tensor) 或 sess.run('nodename:0')。执行粒度发生在操作级别，因此 run 方法将执行计算所有端点的操作，而不仅仅是 :0 端点。可能有一个没有输出的 Op 节点（如 tf.group），在这种情况下，没有与之关联的张量。没有底层 Op 节点就不可能有张量。
您可以通过执行类似这样的操作来检查底层图形中发生的情况
tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())
所以使用 tf.constant 你得到一个单一的操作节点，你可以使用 sess.run("Const:0") 或 sess.run(value)
类似地，value=tf.placeholder(tf.int32) 创建一个名称为 Placeholder 的常规节点，您可以将其作为 feed_dict={"Placeholder:0":2} 或 feed_dict={value:2} 提供。您不能在同一个 session.run 调用中提供和获取占位符，但您可以通过在顶部附加一个 tf.identity 节点并获取它来查看结果。
对于变量
tf.reset_default_graph()
value = tf.Variable(tf.ones_initializer()(()))
value2 = value+3
print(tf.get_default_graph().as_graph_def())
您会看到它创建了两个节点 Variable 和 Variable/read，:0 端点是在这两个节点上获取的有效值。但是 Variable:0 有一个特殊的 ref 类型，这意味着它可以用作变异操作的输入。 Python 调用 tf.Variable 的结果是一个 Python Variable 对象，并且有一些 Python 魔法可以替代 Variable/read:0 或 Variable:0 取决于关于是否需要突变。由于大多数操作只有 1 个端点，因此 :0 被删除。另一个例子是 Queue -- close() 方法将创建一个新的 Close op 节点连接到 Queue op。总而言之——对 python 对象（如 Variable 和 Queue 的操作映射到不同的底层 TensorFlow 操作节点，具体取决于使用情况。
对于像 tf.split 或 tf.nn.top_k 这样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 collections.namedtuple 个可以单独获取的 Tensor 个对象。
正如其他人已经提到的，是的，它们都是张量。
我理解这些的方法是首先可视化和理解 1D、2D、3D、4D、5D 和 6D 张量，如下图所示。 （来源：knoldus）
现在，在 TensorFlow 的上下文中，您可以想象一个如下图所示的计算图，
这里，Ops取两个张量a和b作为输入； 将张量与自身相乘，然后加上这些乘法的结果以产生结果张量t3。这些乘法和加法Op发生在计算图中的节点。
而这些张量a和b可以是常数张量，也可以是变量张量，也可以是占位符。没关系，只要它们具有相同的数据类型和兼容的形状（或broadcast能够）来实现操作。
TensorFlow 的核心数据类型是张量。张量是计算的基础组件，也是 TensorFlow 中的基本数据结构。在不使用复杂的数学解释的情况下，我们可以说张量（在 TensorFlow 中）描述了一个多维数值数组，具有零维或 n 维数据集合，由等级、形状和 type.Read 确定更多：What is tensors in TensorFlow?