tensorflow怎么把矩阵转换成张量（张量TensorFlow存储与计算技术）

张量的概念由 G.Ricci 于19世纪末提出的，起初研究的目的是为了在坐标不变换的情况下表达物体的几何性质和物理规律之间的关系形式，比如“水珠在各个点的压强矢量”。而在当时的科学环境下，标量和矢量都无法解释这一关系。因此张量的概念应运而生。

张量是一个多维数组，其坐标是|n|维空间内，有|n|个分量的一种量，其中每个分量都是坐标的函数，在坐标变换时，这些分量也依照某些规则作线性变换。r 称为该张量的秩或阶。在同构的意义下，第零阶张量（r = 0）为标量，第一阶张量（r = 1）为向量，第二阶张量（r = 2）则成为矩阵。例如，对于3维空间，r=1时的张量为此向量：（x,y,z）。由于变换方式的不同，张量分成协变张量、逆变张量、混合张量三类。张量是向量的推广，原则上张量可以存储物理世界的所有关系。

随着计算机技术的发展，企业、行业累积了大量关联数据，发展出了高维度数据，例如数字图像、生产时间序列等等。传统的存储计算模型采用向量模式，例如将n1*n2的图像按照行与列存储，当做线性映射时，这些数据被降低到低维子空间时（往往做笛卡尔积）极易引发维度灾难。而基于张量的存储，可利用其特有的张量分解、张量逼近技术实现数据降维。

TensorFlow是谷歌研发的第二代人工智能学习开源软件库。其中Tensor即代表张量，Flow表示基于数据流图的计算。在TensorFlow中客观实体表示为流图中的节点，节点间的相互联系表示为流图中的线，这些线用多维数组即张量予以表示。在计算时对张量处理提供了良好的支持。此外TensorFlow良好的通用性易于开展基于分布式、内存计算的机器学习算法、深度神经网络研究。它灵活的架构让你可以在多种平台上展开计算，TensorFlow一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。开源深度学习系统TensorFlow在很多地方可以应用，如语音识别，自然语言理解，计算机视觉，广告等等。TensorFlow会大大降低深度学习在各个行业中的应用难度。