Cómo entender el término "tensor" en TensorFlow?

TensorFlow no tiene objetos tensores de primera clase, lo que significa que no hay noción de Tensor en el gráfico subyacente que se ejecuta en tiempo de ejecución. En su lugar, el gráfico consiste en nodos op conectados entre sí, representando operaciones. Una operación asigna memoria para sus salidas, que están disponibles en los puntos finales :0, :1, etc, y se puede pensar en cada uno de estos puntos finales como un Tensor. Si tiene tensor correspondiente a nodename:0 puede obtener su valor como sess.run(tensor) o sess.run('nodename:0'). Ejecución la granularidad ocurre a nivel de operación, por lo que el método run ejecutará op que calculará todos los puntos finales, no solo el punto final :0. Es posible tener un nodo Op sin salidas (como tf.group) en cuyo caso no hay tensores asociados. No es posible tener tensores sin un nodo Op subyacente.

Puede examinar lo que sucede en el gráfico subyacente haciendo algo como esto

tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())

Así que con tf.constant obtienes un solo nodo de operación, y puede buscarlo usando sess.run("Const:0") o sess.run(value)

De manera similar, value=tf.placeholder(tf.int32) crea un nodo regular con el nombre Placeholder, y podría alimentarlo como feed_dict={"Placeholder:0":2} o feed_dict={value:2}. No puede alimentar y obtener un marcador de posición en la misma llamada session.run, pero puede ver el resultado adjuntando un nodo tf.identity en la parte superior y recuperándolo.

Para la variable

tf.reset_default_graph()
value = tf.Variable(tf.ones_initializer()(()))
value2 = value+3
print(tf.get_default_graph().as_graph_def())

Verás que crea dos nodos Variable y Variable/read, el punto final :0 es un valor válido para obtener en ambos nodos. Sin embargo Variable:0 tiene un especial ref type significa que se puede usar como entrada para operaciones mutantes. El resultado de Python call tf.Variable es un objeto Python Variable y hay algo de magia Python para sustituir Variable/read:0 o Variable:0 dependiendo de si la mutación es necesaria. Dado que la mayoría de los ops solo tienen 1 punto final, :0 se elimina. Otro ejemplo es Queue -- close() el método creará un nuevo nodo Close op que se conecta a Queue op. Para resumir operations las operaciones en objetos python como Variable y Queue se asignan a diferentes subyacentes Nodos TensorFlow op dependiendo del uso.

Para operaciones como tf.split o tf.nn.top_k que crean nodos con múltiples puntos finales, la llamada de Python session.run envuelve automáticamente la salida en tuple o collections.namedtuple de Tensor objetos que se pueden obtener individualmente.