python - `Tensor`(相对于 `EagerTensor` )在 Tensorflow 2.0 中有什么用？

Question

在 Tensorflow 2.0 中，我们看到的主要“张量”实际上是 EagerTensors ( tensorflow.python.framework.ops.EagerTensor 更准确地说):

x = [[2.]]
m = tf.matmul(x, x)
type(m)
# returns tensorflow.python.framework.ops.EagerTensor

但是，在某些情况下，我们有符号 Tensor对象( tensorflow.python.framework.ops.Tensor )，如在 TF1.X 中。
例如在 keras 中:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
type(model.outputs[0])
# returns tensorflow.python.framework.ops.Tensor

那么，这些符号有什么用: tensorflow.python.framework.ops.Tensor在 tensorflow 中:

在 TF 库内部:Keras 至少使用了这些张量，但它是否在其他地方使用(使用图形，如 tf.function 或 tf.data.Dataset)？

在 API 中:这些最终用户是否有实际用途？

Answer 1

In the TF library internals: Keras is at least using these tensors, but is it used at other places (which are using a graph, like tf.function, or tf.data.Dataset)?

嗯，是。你的直觉在这里是正确的。 EagreTensor代表一个张量，其值已在 Eager 模式下计算，而 Tensor表示图中可能尚未计算的张量节点。

In the API: is there an actual use for end-users of these?

嗯，在某种程度上，我们一直在使用它们。我们创建 keras 模型、tf.data.Dataset 管道等，但实际上，对于绝大多数用例，我们并不倾向于实例化或直接与 Tensor 交互。对象本身，所以可能只是不想担心对象类型，并将它们视为 tensorflow 内部的实现细节。