TensorFlow
定义：
TensorFlow 是由 Google 开发的一个深度学习框架，旨在为生产环境提供高性能的机器学习解决方案。
特点：
静态图（Static Computation Graph）：早期版本使用静态计算图，需要在训练前定义整个模型结构，但 TensorFlow 2.0 引入了 Eager Execution，支持动态计算图。
强大的生态系统：包括 TensorFlow Serving（模型部署）、TensorFlow Lite（移动设备）和 TensorFlow.js（浏览器）。
可视化工具：提供 TensorBoard，用于可视化训练过程和模型性能。
1.数据类型
数值型 ——其是TensorFlow的主要数据载体
字符串型
布尔型
1.1数值类型
数值类型的张量是TensorFlow的主要数据载体，分为：
标量（Scalar） 单个的实数，维度数（Dimension，也叫秩）为0，shape=[]
向量（Vector） n个实数的有序集合，通过中括号包裹，如[1,2]，维度数位1，长度不定，shape=[n]
矩阵（Matrix） n行m列实数的有序集合，如[[1,2],[3,4]]，维度数为2，每个维度上的长度不定，shape=[n,m]
**张量(Tensor) ** 所有维度数dim > 2的数组统称为张量，张量的每个维度也做轴(Axis)， 比如Shape =[2,32,32,3]的张量共有 4 维
在 TensorFlow 中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，
In :
aa = tf.constant(1.2) # 创建标量
type(aa)
Out:
(float, tensorflow.python.framework.ops.EagerTensor, True)
In :
x = tf.constant([1,2.,3.3]) #创建向量
x，x.shape
Out:
(<tf.Tensor: id=165, shape=(3,), dtype=float32, numpy=array([1. , 2. , 3.3], dtype=float32),TensorShape([3])>)
其中 id 是 TensorFlow 中内部索引对象的编号，shape 表示张量的形状，dtype 表示张量的数值精度，张量 numpy()方法可以返回 Numpy.array 类型的数据。
In :
a = tf.constant([[1,2],[3,4]]) #创建矩阵
a, a.shape
Out:
(<tf.Tensor: id=13, shape=(2, 2), dtype=int32, numpy=
array([[1, 2],[3, 4]])>, TensorShape([2, 2]))
1.2字符串类型
TensorFlow 还支持字符串(String)类型的数据，例如在表示图 片数据时，可以先记录图片的路径，再通过预处理函数根据路径读取图片张量。
In :
a = tf.constant('Hello, Deep Learning.')
Out:
<tf.Tensor: id=17, shape=(), dtype=string, numpy=b'Hello, Deep Learning.'>
在 tf.strings 模块中，提供了常见的字符串型的工具函数，如拼接 join()，长度 length()，切 分 split()等等。
1.3布尔类型
布尔类型的张量只需要传入 Python 语言的布尔类型数据，转换成 TensorFlow 内部布尔型即可。
In :
a = tf.constant(True)
Out:
<tf.Tensor: id=22, shape=(), dtype=bool, numpy=True>
TensorFlow 的布尔类型和 Python 语言的布尔类型并不对等，不能通用。
