张量和操作
这是一个介绍性的TensorFlow教程，展示了如何:
- 导入所需的包
- 创建和使用张量
- 使用GPU加速
进口TensorFlow
首先，导入tensorflow模块。在TensorFlow 2.0中，默认情况下是打开的。这为TensorFlow提供了一个更具互动性的前端，我们将在后面讨论它的细节。
图书馆(tensorflow)张量
张量是一个多维数组。类似于数组对象在R,tf美元张量对象有一个数据类型和一个形状。此外,tf美元张量可以驻留在加速器内存中(如GPU)。TensorFlow提供了一个丰富的操作库(tf增加美元，tf matmul美元，tf linalg发票美元等等)消费和生产特遣部队。张量．这些操作自动转换本机R类型，例如:
## tf.Tensor(3.0, shape=()， dtype=float32)# # tf.Tensor([4。6.),形状= (2)dtype = float32)## tf.Tensor(25.0, shape=()， dtype=float32)特遣部队＄reduce_sum（c（1，2，3.）)## tf.Tensor(6.0, shape=()， dtype=float32)## tf.Tensor(13.0, shape=()， dtype=float32)每一个tf美元张量具有一个形状和一个数据类型:
x =特遣部队＄matmul（矩阵（1，ncol =1)，矩阵（c（2，3.)，nrow =1）)x# # tf.Tensor([[2。3.=(1, 2)， dtype=float64)# #(1、2)# # < dtype:“float64”>数组和tf美元张量年代:
- 张量可以由加速器内存支持(如GPU、TPU)。
- 张量是不可变的。
R数组兼容性
TensorFlow tf之间的转换。张量和数组很简单:
- TensorFlow操作自动将R数组转换为张量。
方法显式地将张量转换为R数组as.array，as.matrix或as.numeric方法。当从一个张量转换到一个R中的数组时，总是会有一个内存副本。
# # tf.Tensor([2。),形状= (1)dtype = float32)# # 1 [1]GPU加速
许多TensorFlow操作都是使用GPU进行计算来加速的。在没有任何注释的情况下，TensorFlow自动决定一个操作是使用GPU还是CPU——如果有必要，复制CPU和GPU内存之间的张量。操作产生的张量通常由执行操作的设备的内存支持，例如:
## [[1]] ## PhysicalDevice(name='/physical_device:CPU:0'， device_type='CPU') ## ## [[2]] ## PhysicalDevice(name='/physical_device:XLA_CPU:0'， device_type='XLA_CPU')# #[1]”/工作:localhost /副本:0 /任务:0 /设备:CPU: 0”设备名称
的张量元设备属性提供承载张量内容的设备的完全限定字符串名称。这个名称编码了许多细节，例如正在执行此程序的主机的网络地址标识符以及该主机中的设备。这是分布式执行TensorFlow程序所必需的。字符串以GPU: < N >如果张量放在N-th主机的图形处理器。