TensorFlow 和 Keras 中的符号张量是什么？

Question

TensorFlow 和 Keras 中的符号张量是什么？它们与其他张量有何不同？为什么它们甚至存在？它们在 TensorFlow 和 Keras 中出现在哪里？我们应该如何处理它们，或者在处理它们时会遇到什么问题？

过去，我遇到过与符号张量相关的某些问题，例如_SymbolicException，但文档没有描述这个概念。还有another post也问了这个问题，但是，在这篇文章中，我专注于这个特定的问题，以便以后可以将答案用作参考。

Answer 1

根据blog.tensorflow.org，符号张量与其他张量的不同之处在于它们不专门保存值。

让我们考虑一个简单的例子。

>>> a = tf.Variable(5, name="a")
>>> b = tf.Variable(7, name="b")
>>> c = (b**2 - a**3)**5
>>> print(c)

输出如下：

tf.Tensor(1759441920, shape=(), dtype=int32)

对于上述，值是专门以tf.Variable格式定义的，输出为Tensor格式。但是，张量必须包含一个值才能被视为这样。

符号张量的不同之处在于，定义张量不需要显式值，这对使用 TensorFlow 2.0 构建神经网络有影响，TensorFlow 2.0 现在使用 Keras 作为默认 API。

这是一个序列神经网络示例，用于构建预测酒店取消事件的分类模型（完整的 Jupyter Notebook here，如果有兴趣）：

from tensorflow.keras import models
from tensorflow.keras import layers

model = models.Sequential()
model.add(layers.Dense(8, activation='relu', input_shape=(4,)))
model.add(layers.Dense(1, activation='sigmoid'))

这是一个符号定义的模型，因为网络中没有明确定义任何值。而是为输入变量创建一个框架，供网络读取，然后生成预测。

在这方面，Keras 变得非常流行，因为它允许使用符号张量构建图形，同时保持命令式布局。