TensorFlow计算图是由op和tensor组成，那么tensor一般都用来代表什么呢？显然，像模型的输入数据、网络权重、输入数据经op处理后的输出结果都需要用张量或特殊张量进行表达。既然tensor在TensorFlow体系架构中如此重要，因此本

经过网上查找，找到了问题所在：在使用keras编程模式是，中间插入了tf.reshape()方法便遇到此问题。 解决办法：对于遇到相同问题的任何人，可以使用keras的Lambda层来包装张量流操作，这是我所做的：embed1keras.layers.Embedding(10000,32)(inputs)

关于TensorFlowTensorFlow是一个采用数据流图（dataflowgraphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），

张量引入pytorch，生成一个随机的5x3张量from__future__importprint_functionimporttorchxtorch.rand(5,3)print(x)tensor(0.5555,0.7301,0.5655,

张量（Tensor）在Tensorflow中，变量统一称作张量（Tensor）。张量（Tensor）是任意维度的数组。0阶张量：纯量或标量(scalar)，也就是一个数值，例如，\\'Howdy\\'或51阶张量：向量(vector)或矢量，也就是一维数组（一组有序排列的数），例如

PyTorch已为我们实现了大多数常用的非线性激活函数，我们可以像使用任何其他的层那样使用它们。让我们快速看一个在PyTorch中使用ReLU激活函数的例子：在上面这个例子中，输入是包含两个正值、两个负值的张量，对其调用ReLU函数，负值将取为0，正值则保持不变。现在我们已经了解了构建神经网络架构的大部分细节，我们来构建一个可用于解决真实问题的深度学习架构。

PyTorch已为我们实现了大多数常用的非线性激活函数，我们可以像使用任何其他的层那样使用它们。让我们快速看一个在PyTorch中使用ReLU激活函数的例子：在上面这个例子中，输入是包含两个正值、两个负值的张量，对其调用ReLU函数，负值将取为0，正值则保持不变。现在我们已经了解了构建神经网络架构的大部分细节，我们来构建一个可用于解决真实问题的深度学习架构。