共计 5265 个字符，预计需要花费 14 分钟才能阅读完成。
前言
只有光头才能变强。文本已收录至我的 GitHub 仓库，欢迎 Star：https://github.com/ZhongFuCheng3y/3y
回顾前面：
从零开始学 TensorFlow【01- 搭建环境、HelloWorld 篇】
TensorFlow 是什么意思？Tensor？Flow？这篇文章介绍 TensorFlow 一些最基础的知识。
一、Tensor 介绍
在介绍之前，首先要记住一个结论：TensorFlow 使用 Tensor 来表示数据
接着我们来看看什么是 Tensor，在官网的文档中，Tensor 被翻译成”张量“。其中也给出了一个定义：
张量是对矢量和矩阵向潜在的更高维度的泛化，TensorFlow 在内部将张量表示为基本数据类型的 n 维数组。
不知道你们看完这句话有啥感受，反正我当时就看不懂，啥是”张量“？。于是，我就跑去知乎里边用关键字搜了一下：”张量是什么“。果真给我搜到了相关的问题：《怎么通俗地理解张量?》
https://www.zhihu.com/question/23720923
我本以为通过知乎，就可以通俗易懂地理解什么是张量，能给我一个清晰的认识。殊不知，大多数答主都在回答在物理和数学中张量的定义，随后贴出了一堆我看不懂的公式。其中，也看到了一种相对通俗易懂的定义：
一个量, 在不同的参考系下按照某种特定的法则进行变换, 就是张量.
把所有答主的回答都阅读了一遍，看完就更加抽象了。再回到官方文档中，看看官方介绍张量的例子，貌似有点懂了。
目前为止我们有两个结论：
TensorFlow 使用 Tensor 来表示数据
TensorFlow 在内部将张量表示为基本数据类型的 n 维数组
我再翻译一下上面的两句话：在 TensorFlow 所有的数据都是一个 n 维的数组，只是我们给它起了个名字叫做张量(Tensor)
中间折腾了一大堆，实际上还是将最开头的结论和官方的定义再翻译成自己觉得好理解的话 … 但很多时候，学习就这么一个过程。
1.1Tensor 的基础
从上面我们已经得知，Tensor(张量)实际上就是一个 n 维的数组。这就延伸了几个的术语：
阶(秩)
形状
1.1.1 阶(秩)
其实上，阶就是平时我们所说的维数。
比如我们有一个二维的数组，那么这个阶就是 2
比如我们有一个三维的数组，那么这个阶就是 3
以前在写 Java 的时候，可能一般接触到的都是二维的，但在机器学习上就很可能有很高的维度，那维数我们怎么数？很简单，我们数括号就行了。举个例子，我们可能会看到有下面的一个数组输出形式：
[[[9 6]
[6 9]
[8 8]
[7 9]]
[[6 1]
[3 5]
[1 7]
[9 4]]]
我们直接看第一个括号到第一个数字，有多少个括号就知道了。[[[9 可以发现有 3 个括号，那这个就是一个三维的数组，它的阶 (秩) 就是 3
1.1.2 形状
张量的形状可以让我们看到每个维度中元素的数量。
比如我们在 Java 中创建出一个二维的数组：int [][] array = new int[3][4]，我们就可以知道这个数组有三行有四列。但如果我们创建出一个多维的数组，单单只用行和列就描述不清了。所以，在 TensorFlow 一般我们会这样描述：
在维度一上元素的个数有 3 个，在维度二上元素的个数有 4 个。
其实说到底还是一个意思，但只是说法变了而已。
如果我们要打印上面数组的形状时，我们可以得到这样的结果：shape = (3,4)。我们再看看第一篇写”机器学习 HelloWorld“的时候，再来看看当时打印的结果：shape = (60000, 28, 28)。通过 shape 我们就可以得到一些信息：
当前数组是三维的
在第一维中有 60000 个元素
在第二维中有 28 个元素
在第三维中有 28 个元素
那我们如果拿到一个数组，怎么通过肉眼看他的 shape 呢？
比如说：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，这个很简单，一眼就可以看出这个是一个二维数组(矩阵)，有三行三列。所以 shape 的结果应该是(3,3)
再来看一个：t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]，从多个括号上我们可以看出，这是三维的。我们先把最外层括号去掉得到的结果是[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]
Ok, 到这一步，我们可以理解成有三个子数组，于是我们的 shape 可以先写成 shape(3,?,?)
我们从括号上判断一定是三维的，所以肯定是 (?,?,?) 的。从“子数组”的个数我们将第一个“?”号填充为 3
随后，我们继续把外层的括号去除，得到这样的结果：[2], [4], [6]，也是有三个元素，于是我们的 shape 就可以填成 shape(3,3,?)
最后，再把括号去掉，我们可以发现只有一个元素，于是最后的结果就是 shape(3,3,1)
我们可以看下图来巩固一下上面所说的概念：
1.1.3 Tensor 数据类型
TensorFlow 在内部将张量表示为基本数据类型的 n 维数组，没错的。在一个数组里边，我们总得知道我们的存进去的数据究竟是什么类型。
我们可以将任意数据结构序列化为 string 并将其存储在 tf.Tensor 中。通过 tf.cast 可以将 tf.Tensor 从一种数据类型转型为另一种。
Tensor 的数据类型如下所示：
二、特殊的张量
特殊的张量由一下几种：
tf.Variable— 变量
tf.constant— 常量
tf.placeholder—占位符
tf.SparseTensor—稀疏张量
这次，我们先来讲讲前三种(比较好理解)，分别是变量、常量和占位符。
2.1 常量
常量就是常量的意思，一经创建就不会被改变。(相信大家还是能够理解的)
在 TensorFlow 中，创建常量的方式十分简单：
a = tf.constant(2)
b = tf.constant(3)
2.2 变量
变量也挺好理解的(就将编程语言的概念跟这里类比就好了)。一般来说，我们在训练过程中的参数一般用变量进行存储起来，因为我们的参数会不停的变化。
在 TensorFlow 创建变量有两种方式：
# 1. 使用 Variable 类来创建
# tf.random_normal 方法返回形状为 (1，4) 的张量。它的 4 个元素符合均值为 100、标准差为 0.35 的正态分布。
W = tf.Variable(initial_value=tf.random_normal(shape=(1, 4), mean=100, stddev=0.35), name=”W”)
b = tf.Variable(tf.zeros([4]), name=”b”)
# 2. 使用 get_variable 的方式来创建
my_int_variable = tf.get_variable(“my_int_variable”, [1, 2, 3], dtype=tf.int32,
initializer=tf.zeros_initializer)
值得注意的是：当我们创建完变量以后，我们每次使用之前，都需要为其进行初始化！
tf.global_variables_initializer()
2.3 占位符
我最早接触占位符这个概念的时候是在 JDBC 的时候。因为 SQL 需要传入的参数才能确定下来，所以我们可能会写出这样的 SQL 语句：select * from user where id =?
同样地，在 TensorFlow 占位符也是这么一个概念，可能需要等到运行的时候才把某些变量确定下来，于是我们就有了占位符。
在 TensorFlow 使用占位符也很简单：
# 文件名需要等到运行的时候才确定下来
train_filenames = tf.placeholder(tf.string, shape=[None])
# .. 省略一堆细节
# 运行的时候，通过 feed_dict 将占位符具体的值给确定下来
feed_dict={train_filenames: training_filenames}
上面的东西说白了在编程语言中都是有的，只是语法变了而已。
三、Flow？介绍图和节点
我们将 Flow 翻译成中文：流，所以现在是 Tensor 流？
其实，在 TensorFlow 中，使用图 (graph) 来表示计算任务。其实 TensorFlow 默认会给我们一张空白的图，一般我们会叫这个为”数据流图“。数据流图由有向边和节点组成，在使用 TensorFlow 的时候我们会在图中创建各种的节点，而 Tensor 会在这些节点中流通。所以，就叫做 TensorFlow
那有人就会好奇，我们执行什么操作会创建节点呢？在 TensorFlow 中，节点的类型可以分为三种：
存储节点：有状态的变量操作，通常用于存储模型参数
计算节点：无状态的计算和控制操作，主要负责算法的逻辑或流程的控制
数据节点：数据的占位符操作，用于描述图外输入的数据
看到这里的同学，可能就反应过来了：原来在上面创建的变量、常量和占位符在 TensorFlow 中都会生成一个节点！对于这类的操作 Operation(行为)一般大家会简说成 op
所以，op 就是在 TensorFlow 中所执行的一个操作统称而已(有可能是创建变量的操作、也有可能是计算的操作)。在 TensorFlow 的常见的 op 有以下：
其实说白了就是 TensorFlow 会给我们一张空白的数据流图，我们往这张数据流图填充(创建节点)，从而实现想要效果。
开局一张图，内容全靠编！
我们来看看官方的给出数据流图的 gif，加深下印象。
TensorFlow 使用数据流图来表示计算任务
TensorFlow 使用 Tensor 来表示数据，Tensor 在数据流图中流动。
在 TensorFlow 中”创建节点、运算“等行为统称为 op
四、啥是 session？
TensorFlow 程序通常被组织成一个构建阶段和执行阶段. 在构建阶段, op 的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op。
注意：因为是有向边，所以只有等到之前的入度节点们的计算状态完成后，当前节点才能执行操作。
说白了，就是当我们在编写代码的时候，实际上就是在将 TensorFlow 给我们的空白图描述成一张我们想要的图。但我们想要运行出图的结果，那就必须通过 session 来执行。
举个小例子：
import tensorflow as tf
# 创建数据流图：y = W * x + b，其中 W 和 b 为存储节点，x 为数据节点。
x = tf.placeholder(tf.float32)
W = tf.Variable(1.0)
b = tf.Variable(1.0)
y = W * x + b
# ========= 如果不使用 session 来运行，那上面的代码只是一张图。我们通过 session 运行这张图，得到想要的结果
with tf.Session() as sess:
tf.global_variables_initializer().run() # Operation.run
fetch = y.eval(feed_dict={x: 3.0}) # Tensor.eval
print(fetch) # fetch = 1.0 * 3.0 + 1.0
4.1 Fetch 是啥？
Fetch 就时候可以在 session.run 的时候传入多个 op(tensor)，然后返回多个 tensor(如果只传入一个 tensor 的话，那就是返回一个 tensor)
4.2tensor.eval()和 Operation.run()
有的同学在查阅资料的时候，发现可能调用的不是 session.run，而是 tensor.eval()和 Operation.run()。其实，他们最后的调用的还是 session.run。不同的是 session.run 可以一次返回多个 tensor(通过 Fetch)。
最后
曾经看到一段话总结得不错：
使用 tensor 表示数据.
使用图 (graph) 来表示计算任务.
在会话（session)中运行图
通过 变量 (Variable) 维护状态.
TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.
这篇文章简单讲了 TensorFlow 是啥意思以及一些基础的概念。但我也只是简单以我的理解方式来说了一些常见概念。里头的知识点还是比较多的(比如创建变量的时候一般我们会指定哪些参数….)，这些就交由大家去官网、博客、书籍去学习了。
我相信，只要了解了这些概念，那学习一定可以事半功倍！
下一篇 TensorFlow 文章敬请期待~
参考资料：
https://juejin.im/post/5b345a49f265da599c561b25
https://github.com/geektime-geekbang/tensorflow-101/tree/master/notebook-examples
乐于输出干货的 Java 技术公众号：Java3y。公众号内有 200 多篇原创技术文章、海量视频资源、精美脑图，不妨来关注一下！
觉得我的文章写得不错，不妨点一下赞！
