### TensorFlow 和 NumPy 的对应关系及相互转换 #### 数据结构对比 TensorFlow 中的核心数据结构是 `tf.Tensor`，而 NumPy 则使用 `np.ndarray` 来表示多维数组。两者都支持多种数据类型的存储，并且提供了丰富的操作接口来处理这些数据。 - **创建张量/数组** 使用 NumPy 创建一个多维数组非常直观： ```python import numpy as np a_np = np.array([[1, 2], [3, 4]]) print(a_np) ``` 同样，在 TensorFlow 中可以利用 `tf.constant()` 或其他构造器函数构建类似的张量对象： ```python import tensorflow as tf b_tf = tf.constant([[1, 2], [3, 4]], dtype=tf.int32) print(b_tf) ``` - **属性访问** 对于形状(shape)，大小(size)以及维度(rank/dimensions)的信息获取上，两个库有着相似的方法名称和行为模式[^1]。 ```python # 获取shape print('Shape of a_np:', a_np.shape) print('Shape of b_tf:', b_tf.shape) # 获取size (total number of elements) print('Size of a_np:', a_np.size) print('Number of elements in b_tf:', tf.size(b_tf).numpy()) # 获取rank or dimensions print('Dimensions of a_np:', a_np.ndim) print('Rank of b_tf:', len(b_tf.shape)) ``` #### 函数映射表 | 功能 | NumPy API | TensorFlow API | | --- | --- | --- | | 加法 | `np.add(x,y)` | `tf.math.add(x,y)` | | 减法 | `np.subtract(x,y)` | `tf.math.subtract(x,y)` | | 乘法 | `np.multiply(x,y)` | `tf.math.multiply(x,y)` | | 矩阵相乘 | `np.matmul(A,B)` | `tf.linalg.matmul(A,B)` | 以上表格展示了部分常用算术运算符及其对应的实现方式；实际上两者的API设计思路相近，很多情况下只需简单替换即可完成迁移工作[^4]。 #### 转换机制 为了方便开发者在这两种工具之间切换，官方提供了一些便捷的方式来进行互相转化: - 将 NumPy 数组转成 Tensor 可以通过调用 `tf.convert_to_tensor()` 方法实现； ```python c_tf_from_np = tf.convert_to_tensor(a_np,dtype=tf.float32) print(c_tf_from_np) ``` - 如果想要把 Tensor 还原回 NumPy 数组，则可以直接调用 `.numpy()` 属性读取其内部值。 ```python d_np_from_tf = b_tf.numpy() print(d_np_from_tf) ``` 需要注意的是并非所有的 TensorFlow 操作都能立即得到具体的数值结果（即 Eager Execution），因此有时可能需要显式地执行会话运行(session run)或者其他形式的结果提取过程才能获得最终答案。