# 張量 **張量**是 TensorFlow 中計算的基本元素和基本數據結構。可能是您需要學習使用 TensorFlow 的唯一數據結構。張量是由維度，形狀和類型標識的 n 維數據集合。 **Rank** 是張量的維數，**形狀**是表示每個維度的大小的列表。張量可以具有任意數量的尺寸。您可能已經熟悉零維集合（標量），一維集合（向量），二維集合（矩陣）的數量，以及多維集合。 標量值是等級 0 的張量，因此具有[1]的形狀。向量或一維數組是秩 1 的張量，并且具有[列]或[行]的形狀。矩陣或二維數組是秩 2 的張量，并且具有[行，列]的形狀。三維數組將是秩 3 的張量，并且以相同的方式，n 維數組將是秩`n`的張量。 請參閱以下資源以了解有關張量及其數學基礎的更多信息： * 維基百科上的張貼頁面，地址為 [https://en.wikipedia.org/wiki/Tensor](https://en.wikipedia.org/wiki/Tensor) * 來自美國國家航空航天局的宣言導言，參見 [https://www.grc.nasa.gov/www/k-12/Numbers/Math/documents/Tensors_TM2002211716.pdf](https://www.grc.nasa.gov/www/k-12/Numbers/Math/documents/Tensors_TM2002211716.pdf) 張量可以在其所有維度中存儲一種類型的數據，并且其元素的數據類型被稱為張量的數據類型。 您還可以在 [https://www.tensorflow.org/api_docs/python/tf/DType](https://www.tensorflow.org/api_docs/python/tf/DType) 查看最新版本的 TensorFlow 庫中定義的數據類型。 在編寫本書時，TensorFlow 定義了以下數據類型： | **TensorFlow Python API 數據類型** | **描述** | | --- | --- | | `tf.float16` | 16 位半精度浮點數 | | `tf.float32` | 32 位單精度浮點 | | `tf.float64` | 64 位雙精度浮點 | | `tf.bfloat16` | 16 位截斷浮點 | | `tf.complex64` | 64 位單精度復合體 | | `tf.complex128` | 128 位雙精度復合體 | | `tf.int8` | 8 位有符號整數 | | `tf.uint8` | 8 位無符號整數 | | `tf.uint16` | 16 位無符號整數 | | `tf.int16` | 16 位有符號整數 | | `tf.int32` | 32 位有符號整數 | | `tf.int64` | 64 位有符號整數 | | `tf.bool` | 布爾 | | `tf.string` | 串 | | `tf.qint8` | 量化的 8 位有符號整數 | | `tf.quint8` | 量化的 8 位無符號整數 | | `tf.qint16` | 量化的 16 位有符號整數 | | `tf.quint16` | 量化的 16 位無符號整數 | | `tf.qint32` | 量化的 32 位有符號整數 | | `tf.resource` | 處理可變資源 | 我們建議您避免使用 Python 本地數據類型。 使用 TensorFlow 數據類型來定義張量，而不是 Python 本地數據類型。 可以通過以下方式創建張量： * 通過定義常量，操作和變量，并將值傳遞給它們的構造函數。 * 通過定義占位符并將值傳遞給`session.run()`。 * 通過`tf.convert_to_tensor()`函數轉換 Python 對象，如標量值，列表和 NumPy 數組。 讓我們來看看創建張量的不同方法。