TensorFlow 2入门：第一天数据类型与张量操作

在"tensorflow2学习第一天"的教程中，我们首先接触了数据类型的基本概念。在TensorFlow 2.0版本中，`import tensorflow as tf`导入了核心库。`tf.constant(1)`和`tf.constant(1.)`展示了整数和浮点数数据类型的区别，前者是整数类型，后者是带有小数点的浮点数。在数值类型的学习中，`scalar`指的是单个值，如1.2，其维度为0，形状为空。 TensorFlow的核心对象是`tensor`，它是所有数据结构的基础，特别强调在TensorFlow 2中，数据维度大于2被认为是张量的标准。例如，`aa = tf.constant(1.2)`创建了一个标量（一维张量），`type(aa)`显示为`tensorflow.python.framework.ops.EagerTensor`，这是因为TensorFlow 2默认采用 eager execution（即时执行）模式。 `tf.is_tensor(aa)`用于检测是否为张量，结果为`True`。接着，我们介绍了如何创建向量和矩阵。`x=tf.constant([1,2.,3])`定义了一个一维向量，而`b=tf.constant([2.3])`则创建了一个包含单个元素的标量，但表示为一维张量。通过列表传递数据，可以创建不同维度的张量，如二维的`bb=tf.constant([[1,2],[3,4]])`和三维的`bc=tf.constant([[1,2],[3,4],[5,6]])`或`bb=tf.constant([[[1,2],[3,4]],[[5,6],[7,8]]])`，后者实际上是两个二维矩阵构成的。 在张量操作中，`shape`属性提供了张量的维度信息，`dtype`表示数据类型，而`numpy()`方法用于将张量转换为NumPy数组，以便与其他Python库进行交互。了解这些基础知识对于在TensorFlow 2环境中进行数据处理、模型构建和调试至关重要。 通过第一天的学习，初学者能够建立起对TensorFlow 2中数据类型、基本张量操作和形状管理的基本理解，这对于后续深入学习和实践项目将起到关键作用。