张量（Tensor）：多维数组（列表） 阶：张量的维数

张量能够表示0阶到n阶数组（列表）

基本的数据类型

1. tf.int，tf.float
2. tf.bool
3. tf.string

生成一个张量

1. 如何建立一个张量
   用法：tf.constant(张量内容，dtype=数据类型（可选）)
   例子：python

   import tensorflow as tf
    #建立一个张量
    a = tf.constant([1,5],dtype = tf.int64)
    print(a)
    print(a.dtype)
    print(a.shape)
    
    输出结果：
    tf.Tensor([1 5], shape=(2,), dtype=int64)  #有几个逗号说明是几维张量  这个是一个一维张量，里面有两个值1和5
    <dtype: 'int64'>
    (2,)

2. 将numpy的数据类型转换为Tensor数据类型
   用法：tf.convert_to_tensor（数据名，dtype=数据类型（可选））
   例子：c++

   import tensorflow as tf
    import numpy as np
    
    a = np.arange(0,5)
    b = tf.convert_to_tensor(a,dtype=tf.int64)
    print(a)
    print(b)
    
    输出结果：
    [0 1 2 3 4]
    tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)

3. 建立特殊的张量
   a. 建立全为0的张量：tf.zeros(维度)
   b. 建立全为1的张量：tf.ones(维度)
   c. 建立全为指定值的张量：tf.fill(维度，指定值)
   维度：一维：直接写个数
   二维：用[行，列]
   多维：用[n,m,j.k……]
   例子：web

   import tensorflow as tf
    
    a = tf.zeros([2,3])
    b = tf.ones(4)
    c = tf.fill([2,2],9)
    print(a)
    print(b)
    print(c)
    
    输出结果：
    tf.Tensor([[0. 0. 0.][0. 0. 0.]], shape=(2, 3), dtype=float32)
    tf.Tensor([1. 1. 1. 1.], shape=(4,), dtype=float32)
    tf.Tensor([[9 9][9 9]], shape=(2, 2), dtype=int32)

4. 生成随机数
   a. 生成正态分布的随机数，默认均值为0，标准差为1。 用法：tf.random.normal(维度，mean=均值，stddev = 标准差)
   b. 生成截断式正态分布的随机数。 用法： tf.random.truncated_normal(维度，mean=均值，stddev = 标准差)
   c. 生成均匀分布随机数。 用法： tf.random.uniform(维度，minval = 最小值，maxval = 最大值)
   
   
   例子：数组

   import tensorflow as tf
    
    d = tf.random.normal([2,2],mean = 0.5, stddev = 1)
    e = tf.random.truncated_normal([2,2],mean = 0.5, stddev = 1)
    f = tf.random.uniform([2,2],minval = 0.5, maxval = 1)
    print(d)
    print(e)
    print(f)
    
    输出结果：
    tf.Tensor([[-1.3744324   0.2684363 ][-0.14133292  1.949162  ]], shape=(2, 2), dtype=float32)
    tf.Tensor([[1.1253768  0.18428034][1.5979812  0.20128158]], shape=(2, 2), dtype=float32)
    tf.Tensor([[0.5172171  0.7131886 ][0.6884367  0.50856155]], shape=(2, 2), dtype=float32)

下面的是笔者的微信公众号，欢迎关注，会持续更新c++、python、tensorflow、机器学习、深度学习等系列文章