TensorFlow 核心概念指南 🧠
TensorFlow 是一个开源机器学习框架，其核心概念包括以下几个关键部分：
1. 张量（Tensor）
- 张量是 TensorFlow 的基本数据结构，可以视为多维数组
- 用
tf.constant()创建常量张量，如：tf.constant([1,2,3]) - 用
tf.Variable()创建可变张量，用于训练过程中的参数更新
2. 计算图（Graph）
- 计算图定义了数据流和操作之间的依赖关系
- 使用
tf.Graph()创建图对象，通过tf.Session()执行 - 图中的节点表示操作，边表示张量流动方向
3. 会话（Session）
- 会话用于运行计算图，通过
tf.Session()实例化 - 使用
run()方法执行图中的操作：session.run(fetches) - 支持分布式计算和GPU加速（需配置环境）
4. 变量（Variable）与常量（Constant）
- 变量用于存储训练过程中需要更新的参数（如
tf.Variable(initial_value)） - 常量在创建后不可变，适用于固定数据
- 变量需要显式初始化：
tf.global_variables_initializer()
5. 数据流（Data Flow）
- 数据通过图的节点进行传递，每个操作都有明确的输入输出
- 使用
feed_dict向图中注入数据：session.run(op, feed_dict={}) - 支持动态图（Eager Execution）和静态图模式
👉 想了解如何快速入门 TensorFlow？可访问 /tensorflow/guide/quick_start 获取实践教程 🚀
本指南基于 TensorFlow 2.x 版本，核心概念在 1.x 和 2.x 中有显著差异，建议结合官方文档理解。