1. Tensor三要素

Tensor包括三部分：名字、形状、数据类型，直接用 print就可以查看

a = tf.constant(1)
b = tf.constant([1, 2])
c = tf.constant([[1, 2], [3, 4], [5, 6]])
print(a)  # Tensor("Const:0", shape=(), dtype=int32)   name中冒号之前是op类型，冒号之后的0是无意义的
print(b)  # Tensor("Const_1:0", shape=(2,), dtype=int32)
print(c)  # Tensor("Const_2:0", shape=(3, 2), dtype=int32)

2. Tensor的阶

Tensor底层是对Numpy的ndarray的封装。ndarray中叫维度，到了Tensor这里就叫阶。数学中更习惯用阶这个概念

阶	数学实例	Python	例子
0	纯量	(只有大小)	s = 483
1	向量	(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵	(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量	(数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶	(自己想想看)	….

3. Tensor数据类型

张量的数据类型可以是以下数据类型中的任意一种

数据类型	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数
DT_DOUBLE	tf.float64	64 位浮点数
DT_INT64	tf.int64	64 位有符号整型
DT_INT32	tf.int32	32 位有符号整型
DT_INT16	tf.int16	16 位有符号整型
DT_INT8	tf.int8	8 位有符号整型
DT_UINT8	tf.uint8	8 位无符号整型
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组
DT_BOOL	tf.bool	布尔型
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型

4. Tensor的属性

tensor = tf.constant(1)

print(tensor.graph)  # 所属的图
print(tensor.dtype)  # 数据类型
print(tensor.name)   # 名称
print(tensor.op)     # 操作名
print(tensor.shape)  # 形状

with tf.Session() as sess:
    print(tensor.eval())  # 值

5. Tensor动态形状和静态形状

动态形状：生成新的张量
静态形状：不会生成新的张量

5.1. 静态形状

一旦张量形状固定了，就无法再修改静态形状

p = tf.placeholder(tf.float32)
print(p.shape)    # <unknown>, placeholder一开始没有形状

p.set_shape([3, 2])
print(p.shape)    # (3, 2)

p.set_shape([4, 2])  # ValueError，静态形状一旦被设置，就无法再修改
print(p.shape)

5.2. 动态形状

tf.reshape() 返回修改某个tensor形状的副本，不会影响原tensor的形状。修改形状时，注意元素个数必须匹配

p = tf.placeholder(tf.float32, [6, 2])
print(p.shape)

p1 = tf.reshape(p, [4, 3])
p2 = tf.reshape(p, [2, 6])