首先比较一下Python列表（list）、Numpy数组（ndarray）、Tensorflow张量（Tensor）之间的区别：
>> Python列表：
元素可以使用不同的数据类型，可以嵌套
在内存中不是连续存放的，是一个动态的指针数组
读写效率低，占用内存空间大
不适合做数值计算
>> Numpy数组：
元素数据类型相同
每个元素在内存中占用的空间相同，存储在一个连续的内存区域中
存储空间小，读取和写入速度快
不能够主动检测利用GPU进行运算，只能运行在CPU上
>> TensorFlow张量
可以高速运行于GPU和TPU之上，实现神经网络和深度学习中的复杂算法
*** 张量和numpy数组：
① 张量可看成将numpy数组进一步封装，使其可以执行TensorFlow中的API，且可以运行与GPU/TPU；
② 在TensorFlow中，所有运算都是在张量之间进行的； Numpy数组仅仅是作为输入和输出使用，不参与运算；
③ 张量可以运行于CPU /GPU/TPU; 而Numpy数组只能运行在CPU中。1、创建Tensor对象 – tf.constant()函数
张量由Tensor类实现，每个张量都是一个Tensor对象。
函数格式：tf.constant(value, dtype, shape)
value: 可以是数字、Python列表、numpy数组、布尔型、字符串等
dtype: 元素的数据类型
shape： 张量的形状
注意点：
1、TensorFlow2中的所有张量，都可以通过 .numpy()的方法，得到它对应的数组
2、TensorFlow创建浮点数张量时，默认是32位浮点数；
3、输出的形状shape=()表示是0维张量/数字/标量；
4、numpy创建浮点数组时，默认是64位浮点数，当使用numpy数组创建张量时，
TensorFlow会接受numpy数组元素的数据类型，使用64位浮点数保存数据
5、布尔型转换为整数--》 0：False, 1:True；
6、整型变量装换为布尔型，将非0数字都视为True; 0视为False。示例：
import tensorflow as tf
import numpy as np
tf1 = tf.constant([[1,2],[3,4]]) # 1、参数为Python列表
#print(tf1)
#print(tf1.numpy()) # 2、TensorFlow2中的所有张量，都可以通过 .numpy()的方法，得到它对应的数组
tf2 = tf.constant(1.0) # 3、参数为数字 --> 也可以写成 tf.constant(1.)
print(tf2) # 4、 TensorFlow创建浮点数张量时，默认是32位浮点数；输出中 shape=()表示是0维张量/数字/标量
tf3 = tf.constant(np.array([1,2])) # 5、参数为numpy数组。 numpy创建浮点数组时，默认是64位浮点数，当使用numpy数组创建张量时，TensorFlow会接受numpy数组元素的数据类型，使用64位浮点数保存数据
tf.constant(1.0, dtype=tf.float64) # 6、创建张量时，指定元素的数据类型
tf4 = tf.constant(True) # 参数为布尔型
a = tf.constant([True,False])
# 输出：tf.Tensor([1 0], shape=(2,), dtype=int32)
print(tf.cast(a, tf.int32)) # 布尔型转换为整数--》 0：False, 1:True
b = tf.constant([0,1,-1,2])
# 输出：tf.Tensor([False True True True], shape=(4,), dtype=bool)
print(tf.cast(b,dtype= tf.bool)) # 整型变量装换为布尔型，将非0数字都视为True; 0视为False2、tf.cast()函数 — 改变张量中元素数据类型
函数格式：tf.cast(x, dtype)
PS：在数据类型装换时，一般是将低精度的数据类型向高精度转换，否则可能发生数据溢出，得到错误结果。示例：
a = tf.constant(np.array([1,2]))
b = tf.cast(a,dtype=tf.float32)
print(b.dtype)3、tf.convert_to_tensor()函数 – 创建张量
tf.convert_to_tensor(数组/列表/数字/布尔型/字符串)4、tf.is_tensor()函数 – 判断是否是张量
5、Python中isinstance()函数判断类型
示例：
import tensorflow as tf
import numpy as np
na = np.arange(12).reshape(3,4)
ta = tf.convert_to_tensor(na)
print(type(na)) # <class 'numpy.ndarray'>
print(type(ta)) # <class 'tensorflow.python.framework.ops.EagerTensor'>
print(tf.is_tensor(ta)) # True
print(isinstance(ta,tf.Tensor)) # True6、创建特殊值的张量
创建全为0的张量: tf.zeros(维度，dtype)
创建全为1的张量: tf.ones(维度，dtype)
创建全为指定值的张量: tf.fill(维度，指定值)
PS: 1、维度（维度也可以用小括号表示）：
一维 直接写个数
二维 用[行，列]
多维 用[n,m,j,k...]
2、tf.fill()没有dtype参数，根据指定值自动判断数据类型。
3、 tf.zeros()、 tf.ones()的dtype类型默认是32位浮点数.
4、也可以使用tf.constant(指定值，shape)创建全为指定值的张量示例：
import tensorflow as tf
tf1 = tf.ones([1,2],dtype=tf.float64)
tf2 = tf.zeros((2,2))
print(tf1)
print(tf2)
tf3 = tf.fill([2,3],9)
print(tf3)
tf4 = tf.constant(9,shape=[2,3])
print(tf4)
运行结果：
tf.Tensor([[1. 1.]], shape=(1, 2), dtype=float64)
tf.Tensor(
[[0. 0.]
[0. 0.]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[9 9 9]
[9 9 9]], shape=(2, 3), dtype=int32)
tf.Tensor(
[[9 9 9]
[9 9 9]], shape=(2, 3), dtype=int32)7、创建随机数张量
（1） 生成正态分布的随机数，默认均值为0，标准差为1
tf.random.normal(维度，mean=均值，stddev=标准差，dtype)
（2）生成截断式正态分布的随机数(生成值在均值附近)
tf.random.truncated_normal(维度，mean=均值，stddev=标准差,dtype)
例如：
tf1 = tf.random.normal([2,2],mean = 0.0,stddev = 2.0)
tf2 = tf.random.truncated_normal([2,2])
（3）生成均匀分布随机数 [ minva，maxval ) 前闭后开区间
tf.random.uniform(维度，minval=最小值，maxval=最大值，dtype)8、tf.random.set_seed() — 设置随机种子
设置随机种子，可以产生同样的随机数张量。
例如，执行下面代码多次，生成的随机数是相同的。
tf.random.set_seed(8)
print(tf.random.normal([2,2]))9、tf.random.shuffle() 函数-- 随机打乱张量的第一维度
示例：
import tensorflow as tf
import numpy as np
x = tf.constant([[1,2],[3,4],[5,6]])
print(tf.random.shuffle(x))
y = [1,2,3,4,5]
print(tf.random.shuffle(y))
z = np.arange(5)
print(tf.random.shuffle(z))运行结果：
tf.Tensor(
[[5 6]
[1 2]
[3 4]], shape=(3, 2), dtype=int32)
tf.Tensor([3 1 2 5 4], shape=(5,), dtype=int32)
tf.Tensor([0 3 4 1 2], shape=(5,), dtype=int64)10、tf.range()函数 – 创建序列
函数格式： tf.range(start, limit, delta=1, dtype)
PS：区间【start，limit） 数据范围是 前闭后开区间示例：
import tensorflow as tf
import numpy as np
a = tf.range(10)
print(a)
b = tf.range(10,delta=2)
print(b)运行结果：
tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)
tf.Tensor([0 2 4 6 8], shape=(5,), dtype=int32)创建张量小结：
11、 Tensor对象的属性 – ndim、shape、dtype
ndim: 查看对象的维度
shape: 对象形状
dtype: 对象类型
使用 变量名.属性名 访问获取。示例：
import tensorflow as tf
a = tf.constant([[1,2],[3,4]])
print(a.ndim)
print(a.dtype)
print(a.shape)
运行结果：
2
<dtype: 'int32'>
(2, 2)12、TensorFlow的 shape(),size(),rank()方法 — 获取张量的形状、元素总量和维度。
示例：
a = tf.constant([[1,2],[3,4]])
print(tf.shape(a))
print(tf.size(a))
print(tf.rank(a))
运行结果：
tf.Tensor([2 2], shape=(2,), dtype=int32)
tf.Tensor(4, shape=(), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
