3.1 张量

TensorFlow包含构建数据流图与计算数据流图等，其构图的基础单元是Tensors（张量）。张量是TensorFlow最核心的组件，所有的运算和优化都是基于张量完成的。

本节将使用TensorFlow 2.0对张量进行介绍。

（1）在TensorFlow 2.0中，所有的操作都必须导入TensorFlow，代码如下。

（2）代码的运行结果是打印目前使用的TensorFlow版本。

说明：从TensorFlow 2.0开始，默认启用Eager模式。TensorFlow的Eager模式是一个命令式，是由运行定义的接口，一旦被调用，其操作立即被执行，无须事先构建静态图。

（3）张量是一个多维数组，在TensorFlow 2.0中表现为tf.Tensor对象与NumPy ndarray对象类似，tf.Tensor对象具有数据类型和形状。在TensorFlow 2.0中，tf.Tensors可以保持在GPU中。TensorFlow提供了丰富的操作库（tf.add、tf.matmul、tf.linalg.inv等），灵活使用这些操作库可以方便地操作tf.Tensor对象，节省建模时间。

（4）代码的运行结果如下。

（5）在TensorFlow 2.0中的每个Tensor都有形状和类型，可以通过如下代码进行验证。

（6）代码的运行结果如下。

（7）在TensorFlow 2.0中，NumPy数组和tf.Tensors之间最明显的区别是：①张量可以由GPU（或TPU）支持；②张量不可变；③TensorFlow tf.Tensors和NumPy ndarray之间的转换很容易。使用下面的例子进行介绍。

（8）代码的运行结果如下。

说明：TensorFlow操作能够自动将NumPy ndarray转换为Tensors。