什么是张量数据结构?

在TensorFlow中，张量（tensor）是一种多维数组的数据结构，通常用于表示输入数据、模型权重、中间计算结果等。它是TensorFlow中最基本的数据类型，也是算法计算的基本对象。张量可以具有不同的维度（rank）、形状（shape）和数据类型（dtype）。

张量的维度（rank）

张量的维度（rank）表示张量的秩（rank），即张量中的轴（axis）的数量。一个张量可以是0维（标量）、1维（向量）、2维（矩阵）或更高维的数组。例如，一个0维张量是一个单独的数值，一个1维张量是一个数组，一个2维张量是一个矩阵。在TensorFlow中，可以通过函数tf.rank(tensor)来获取张量的维度。

张量的形状（shape）

张量的形状（shape）表示张量在每个维度上的大小。例如，一个维度为(2, 3)的张量表示一个2行3列的矩阵，一个维度为(3,)的张量表示一个包含3个元素的数组。在TensorFlow中，可以通过属性tensor.shape获取张量的形状。可以使用tf.reshape(tensor, new_shape)函数改变张量的形状，但是新形状的维度大小必须与原来的维度大小兼容。

张量的数据类型（dtype）

张量的数据类型（dtype）表示张量元素的数据类型。TensorFlow支持多种数据类型，如tf.float32、tf.int32等。不同的数据类型在内存占用和计算精度方面有所不同。在TensorFlow中，可以通过属性tensor.dtype获取张量的数据类型。可以使用tf.cast(tensor, new_dtype)函数将张量转换为指定的数据类型。