Tensor数据类型-1

数据载体

在python中，我们熟悉的载体有list载体，我们在list中可以添加任何的数据。但是List也有它的坏处，当你使用list存储一个较大的数据类型的时候，如果使用list一次存储一个值的话，这样它消耗的内存空间是非常大的，并且当使用它读取的时候会非常的慢。
然后为了解决大数据吞吐这个问题，我们可以使用numpy来解决，而numpy是在神经网络深度学习之前就设计号的一个计算方法，所以它就缺少那种自动求导，它也没有很好的gpu支持。这是tensor就诞生了，gpu可以很好的支持gpu，而且他还有自动求导等多种功能。

创建不同类型数据

我们如果要用tensor创建一个整数类型的数据，代码如下：
工具包就不写了

tf.constant(1)
<tf.Tensor:id=2,shape=(),dtype=int32,numpy=1>

单精度浮点型：

tf.constant(1.)
<tf.Tensor:id=4,shape=(),dtype=float32,numpy=1.0>

双精度浮点型：

tf.constant(2.，dtype=tf.double)
<tf.Tensor:id=2,shape=(),dtype=float64,numpy=1>

布尔型：

tf.constant([true,false])
<tf.Tensor:id=9,shape=(2,),dtype=bool,numpy=array[true,false]>

字符型：

tf.constant('hello.')
<tf.Tensor:id=2,shape=(),dtype=string,numpy=b'hello.'>

这个第二行都是生成的，就那第一个整型的举例来说吧，你给了一个整型的1，它下面就会给生成它的类型等和它相关的东西。
我们想要把在cpu上的设备给调用到gpu中，代码如下：

with tf.device("cpu")
	a=tf.constant([1])
aa=a.gpu
aa.device

同理，把gpu上的给调用到cpu上：

with tf.device("gpu")
	b=tf.constant([1])
bb=b.gpu
bb.device

现在我们知道它们之间是怎么相互转换了，但是我们还不知道为什么去转换。
原因就是，gpu和cpu之间的功能有不一样的功能，在cpu上的装置只能进行cpu的功能，在gpu上的装置只能进行gpu的功能。