TensorFlow 1+1

我们可以先简单地将TensorFlow视为一个科学计算库（类似于Python下的NumPy）。

首先，我们导入TensorFlow：

import tensorflow as tf

警告

本手册基于TensorFlow的Eager Execution模式。在TensorFlow 1.X版本中， 必须 在导入TensorFlow库后调用 tf.enable_eager_execution() 函数以启用Eager Execution模式。在TensorFlow 2.0版本中，Eager Execution模式将成为默认模式，无需额外调用 tf.enable_eager_execution() 函数（不过若要关闭Eager Execution，则需调用 tf.compat.v1.disable_eager_execution() 函数）。

TensorFlow使用 张量 （Tensor）作为数据的基本单位。TensorFlow的张量在概念上等同于多维数组，我们可以使用它来描述数学中的标量（0维数组）、向量（1维数组）、矩阵（2维数组）等各种量，示例如下：

# 定义一个随机数（标量）
random_float = tf.random.uniform(shape=())
 
# 定义一个有2个元素的零向量
zero_vector = tf.zeros(shape=(2))
 
# 定义两个2×2的常量矩阵
A = tf.constant([[1., 2.], [3., 4.]])
B = tf.constant([[5., 6.], [7., 8.]])

张量的重要属性是其形状、类型和值。可以通过张量的 shape 、 dtype 属性和 numpy() 方法获得。例如：

# 查看矩阵A的形状、类型和值
print(A.shape)      # 输出(2, 2)，即矩阵的长和宽均为2
print(A.dtype)      # 输出<dtype: 'float32'>
print(A.numpy())    # 输出[[1. 2.]
                    #      [3. 4.]]

小技巧

TensorFlow的大多数API函数会根据输入的值自动推断张量中元素的类型（一般默认为 tf.float32 ）。不过你也可以通过加入 dtype 参数来自行指定类型，例如 zero_vector = tf.zeros(shape=(2), dtype=tf.int32) 将使得张量中的元素类型均为整数。张量的 numpy() 方法是将张量的值转换为一个NumPy数组。

TensorFlow里有大量的 操作 （Operation），使得我们可以将已有的张量进行运算后得到新的张量。示例如下：

C = tf.add(A, B)    # 计算矩阵A和B的和
D = tf.matmul(A, B) # 计算矩阵A和B的乘积

操作完成后， C 和 D 的值分别为:

tf.Tensor(
[[ 6.  8.]
 [10. 12.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[19. 22.]
 [43. 50.]], shape=(2, 2), dtype=float32)

可见，我们成功使用 tf.add() 操作计算出 ，使用 tf.matmul() 操作计算出 。