这篇文章主要为大家分析了tensorflow张量的示例分析的相关知识点，内容详细易懂，操作细节合理，具有一定参考价值。如果感兴趣的话，不妨跟着跟随小编一起来看看，下面跟着小编一起深入学习“tensorflow张量的示例分析”的知识吧。
十载的通辽网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。成都营销网站建设的优势是能够根据用户设备显示端的尺寸不同，自动调整通辽建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。创新互联从事“通辽网站设计”,“通辽网站推广”以来，每个客户项目都认真落实执行。
下面以示例的方式对张量做进一步的介绍。
很多指令（也就是结点）都能创建张量，比如tf.constant()等，小程这里举几个例子，重点演示对张量的操作。
代码如下：
import tensorflow as tf
f = tf.constant(100)
s = tf.constant(200)
sum = tf.add(f, s)
with tf.Session() as sess:
print(sess.run(sum))
代码构建的图大概是这样的：
可以看到，张量f、s与sum，都是由相应的指令（tf.constant与tf.add）产生的。在使用session评估张量sum时，整个图的结点（指令）才被执行。
以上代码使用的是默认的图（没有指定就使用默认图），也可以创建一个新的图来使用，比如可以这样写代码： 
这段代码构建的图跟上面的类似，只是每个结点有了命名，截图如下： 
代码如下：
import tensorflow as tf
f = tf.ones([3], dtype=tf.int32)
s = tf.constant([1,2,3], dtype=tf.int32)
sum = tf.add(f, s)
with tf.Session() as sess:
print(sum.eval())
这段代码的解释如下：
这段代码构建的图跟示例1的一样，只是张量的类型与值不同，执行的结果如截图： 
前面小程有介绍过，张量可以有若干维，0维是常量，1维是矢量（vector），2维是矩阵。
以下代码演示了0、1、2维的张量： 
执行结果如下： 
使用函数get_shap()可以获取维度信息，比如： 
执行结果如下： 
代码如下： 
执行结果： 
对于矩阵张量，可以修改它的行列数，或者维度，比如这样： 
变量也是张量，指令tf.Variable()创建一个变量，并设置一个值，但是，tf对于变量的赋值是很“奇怪”的，tf.Variable(xxx)并不会赋值，必需像以下那样执行tf.global_variables_initializer()才会赋值。在使用变量之前，必须先赋值，否则会引发异常： 
变量的特点是可以赋以新的值，但需要注意，tf.assign()返回的是一个指令（结点），在这个指令执行之前，变量并不会赋以新的值，详情可以参考下面的代码说明： 
执行结果是这样的： 
关于“tensorflow张量的示例分析”就介绍到这了,更多相关内容可以搜索创新互联以前的文章，希望能够帮助大家答疑解惑，请多多支持创新互联网站！
