Tensorflow2.0特性
相较于1.0，tensorflow2.0是一次重大革命性的改进，主要是以下几个方面。
（1）1.0 使用的是静态图机制，即分为构建阶段和部署阶段，构建阶段只描述了计算图，并没有实质的进行计算，而是在执行阶段中，在会话层进行统一的一次性计算，优点是高效节省资源，却没有中间结果，程序不够简洁，不宜调试。
2.0 默认使用的是动态图机制，可以立刻执行计算并返回结果，所以可以快速的建立和调试模型。但也可以指定静态图机制提高效率。2.0的方法是：兼顾易用性和执行效率，在程序调试阶段使用动态图，快速建立模型、调试程序；在部署阶段，采用静态图机制，从而提高模型的性能和部署能力。
（2）1.0有很多重复冗余的API，不利于程序共享，维护成本高。2.0 清理、整合了重复的API，将tf.keras作为构建和训练模型的标准高级API
（3）将 Eager Execution 作为默认执行模式。
张量
Tensorflow 中张量是由 Tensor 类实现，每个张量都是一个 Tensor 对象。
其实，张量就是多维数组，像是 python 自带的列表 list，numpy 中的数组对象 ndarray，他们都可以作为数据的载体，但他们之间也有一些区别：
python 中的列表（list）：
- 元素可以使用不同的数据类型，可以嵌套
- 在内存中不连续存放，是一个动态的指针数组
- 读写效率低，占用内存空间大
- 没有shape属性，不适合做数值计算
numpy数组（ndarray）：
- 专门为高维数据浮点运算而设计
- 数组内所有元素数据类型相同
- 每个元素在内存中占用的空间相同，存储在一个连续的内存区域中
- 存储空间小，读取和写入速度快在CPU中运算,不能够主动检测、利用GPU进行运算
Tensorflow张量（Tensor）：
- 为实现大规模深度学习应用而产生
- 可以高速运行于GPU和TPU之上
- 支持CPU、嵌入式、单机多卡和多机多卡等多种计算环境
- 高速的实现神经网络和深度学习中的复杂算法
为了降低初学者的难度，TensorFlow的基本运算、参数命名、运算规则、API的设计等与NumPy非常相近，所以有了numpy 的基础，tensorflow是很容易入手的。
1、创建张量
下面对三种 value 参数：数字，python原生列表，numpy数组 分别给出详细说明。
（1）参数为 python 列表
其中，id是张量的序号，由系统自动按顺序给出。
numpy()
通过numpy() 得到张量对应的 numpy 数组，通过 type(a) ，可以知道这是一个 eager 模式的张量。
（2）参数为数字
张量元素的数据类型
在创建张量时，指定元素的数据类型。
# 要使用 tf.数据类型，否则报错 tf.constant(1.0, dtype=tf.float32) <tf.Tensor: shape=(), dtype=float32, numpy=1.0>
（3）参数为numpy数组
改变张量中元素的数据类型：tf.cast(x, dtype)
（4）参数为布尔类型
（5）参数为字符串
2、创建张量还可以使用函数 tf.convert_to_tensor() 函数
可以使用 tf.is_tensor()函数判断是否是张量对象。
也可以使用python函数，isinstance()函数，判断指定对象是否属于指定的类。
3、创建全0张量 和 全1张量
注意：shape 可以用 圆括号 或 方括号，(2, 1) 或 [2, 1]
4、创建元素值都相同的张量
- tf.fill(dims, value) : dims 就是形状
- tf.constant(value, shape)
为了避免混淆，建议使用时加上参数。
5、创建随机数张量
tensorflow 中使用 tf.random 模块创建随机数张量，包括正态分布、截断正态分布、均匀分布张量等。
（1）正态分布
注：只说明第一个参数 shape 时，则默认创建标准正态分布，即 均值为 0，标准差为 1.
（2）截断正态分布
返回的是一个截断的正态分布，截断的标准是2倍的标准差
（3）设置随机种子
我们在使用 tf.random 模块生成随机张量时，可以通过tf.random.set_seed() 函数设置随机数种子，相同的种子可以产生相同的值。
（4）创建均匀分布
（5）随机打乱张量
可以使用函数 tf.random.shuffle() 函数随机打乱传入参数的第一维数据。
5、创建序列
和 python 、numpy中的range函数一样，tensorflow 可以使用 range() 创建一段序列张量。
张量(Tensor)对象的属性
ndim、shape、dtype：维度、形状、数据类型。
获取Tensor对象的形状、元素总数 和 维度
以上便是tensorflow中的张量介绍。