|
7 | 7 | ###Devices |
8 | 8 | 一块可以用来运算并且拥有自己的地址空间的硬件，比如GPU和CPU。 |
9 | 9 | ###eval |
10 | | -Tensor的一个方法，返回Tensor的值。触发任意一个图表计算都需要计算出这个值。只能在一个会话图表中的Tensor上调用。 |
| 10 | +Tensor 的一个方法，返回 Tensor 的值。触发任意一个图计算都需要计算出这个值。只能在一个已经启动的会话的图中才能调用该 Tensor 值。 |
11 | 11 | ###Feed |
12 | | -TensorFlow的一个概念：把一个tensor直接连接到一个会话图表中的任意节点。feed不是在构建图表(graph)的时候创建，而是在触发图表的执行操作时去申请。一个feed临时替代一个带有tensor值的节点。把feed数据作为run()方法和eval()方法的参数来初始化运算。方法运行结束后，feed就会消失，而最初的节点定义仍然还在。可以通过tf.placeholder()把特定的节点指定为feed节点来创建它们。详见[Basic Usage](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/basic_usage.md). |
| 12 | +TensorFlow 的一个概念：把一个 Tensor 直接连接到一个会话图表中的任意节点。feed 不是在构建图(graph)的时候创建，而是在触发图的执行操作时去申请。一个 feed 临时替代一个带有 Tensor 值的节点。把feed数据作为run( )方法和eval( )方法的参数来初始化运算。方法运行结束后，替换的 feed 就会消失，而最初的节点定义仍然还在。可以通过tf.placeholder( )把特定的节点指定为 feed 节点来创建它们。详见[Basic Usage](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/basic_usage.md). |
13 | 13 | ###Fetch |
14 | | -TensorFlow中的一个概念：从一个会话图表中取回tensor。取回fetches的申请发生在触发执行图表操作的时候，而不是发生在建立图表的时候。如果要取回一个或多个节点（node）的tensor值，可以通过在Session对象上调用run()方法并将待取回节点（node）的列表作为参数来执行图表(graph)。详见[Basic Usage](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/basic_usage.md)。 |
15 | | -###Graph(图表) |
16 | | -把运算描述成一个直接的无环图形（DAG），图表中的节点（node）代表必须要实现的一些操作。图表中的边代表数据或者可控的依赖。GratheDef是系统中描述一个图表的协议(api)，它由一个NodeDefs集合组成。一个GraphDef可以转化成一个更容易操作的图表对象。 |
| 14 | +TensorFlow中的一个概念：为了取回运算操作的输出结果。取回的申请发生在触发执行图操作的时候，而不是发生在建立图的时候。如果要取回一个或多个节点（node）的 Tensor 值，可以通过在 Session 对象上调用run( )方法并将待取回节点（node）的列表作为参数来执行图表(graph)。详见[Basic Usage](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/basic_usage.md)。 |
| 15 | +###Graph(图) |
| 16 | +把运算任务描述成一个直接的无环图形（DAG），图表中的节点（node）代表必须要实现的一些操作。图中的边代表数据或者可控的依赖。GratheDef 是系统中描述一个图表的协议(api)，它由一个 NodeDefs 集合组成。一个GraphDef可以转化成一个更容易操作的图表对象。 |
17 | 17 | ###IndexedSlices（索引化切片） |
18 | | -在Python API中，TensorFlow仅仅在第一维上对tensor有所体现。如果一个tensor有k维，那么一个IndexedSlices实例在逻辑上代表一个沿着这个tensor第一维的(k-1)维切片的集合。切片的索引被连续储存在一个单独的一维向量中，而对应的切片则被拼接成一个单独的k维tensor。如果sparsity不是受限于第一维空间，请用SparseTensor。 |
| 18 | +在 Python API 中，TensorFlow 仅仅在第一维上对 Tensor 有所体现。如果一个 Tensor 有k维，那么一个 IndexedSlices 实例在逻辑上代表一个沿着这个 Tensor 第一维的(k-1)维切片的集合。切片的索引被连续储存在一个单独的一维向量中，而对应的切片则被拼接成一个单独的k维 Tensor。如果 sparsity 不是受限于第一维空间，请用 |
| 19 | +SparseTensor。 |
19 | 20 |
|
20 | 21 | ###Node（节点） |
21 | | -图表中的一个元素。 |
22 | | -把启动一个特定操作的方式称为特定运算图表中的一个节点，包括任何用来配置这个操作的属性的值。对于那些多形态的操作，这些属性包括能完全决定这个节点（Node）签名的充分信息。详见graph.proto。 |
| 22 | +图中的一个元素。 |
| 23 | +把启动一个特定操作的方式称为特定运算图表的一个节点，包括任何用来配置这个操作的属性的值。对于那些多形态的操作，这些属性包括能完全决定这个节点（Node）签名的充分信息。详见graph.proto。 |
23 | 24 | ###操作（Op/operation） |
24 | | -在TensorFlow的运行时中，它是一种类似add或matmul或concat的运算。可以用[how to add an op](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/how_tos/adding_an_op/index.md)中的方法来向运行时添加新的操作。 |
| 25 | +在 TensorFlow 的运行时中，它是一种类似 add 或 matmul 或 concat的运算。可以用[how to add an op](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/how_tos/adding_an_op/index.md)中的方法来向运行时添加新的操作。 |
25 | 26 |
|
26 | | -在Python的API中，它是图表中的一个节点。在[tf.Operation](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/framework.md#Operation)类中列举出了这些操作。一个操作(Operation)的type属性决定这个节点（node）的操作类型，比如add和matmul。 |
| 27 | +在 Python 的API中，它是图中的一个节点。在[tf.Operation](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/framework.md#Operation)类中列举出了这些操作。一个操作(Operation)的 type 属性决定这个节点（node）的操作类型，比如add和matmul。 |
27 | 28 | ###Run |
28 | | -在一个运行的图表中执行某种操作的行为。要求这个图表必须运行在一次会话中。 |
| 29 | +在一个运行的图中执行某种操作的行为。要求图必须运行在会话中。 |
29 | 30 |
|
30 | | -在Python的API中，它是Session类的一个方法[tf.Session.run](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/client.md#Session)。可以通过tensors来订阅或获取run()操作。 |
| 31 | +在 Python 的 API 中，它是 Session 类的一个方法[tf.Session.run](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/client.md#Session)。可以通过 Tensors 来订阅或获取run( )操作。 |
31 | 32 |
|
32 | | -在C++的API中，[tensorflow::Session](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/client.md#Session)的一个方法。 |
| 33 | +在C++的API中，它是[tensorflow::Session](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/client.md#Session)类 |
| 34 | +的一个方法。 |
33 | 35 | ###Session(会话) |
34 | | -一个已经启动的图表(graph)的运行时对象。提供在图表中执行操作的一些方法。 |
| 36 | +启动图的第一步是创建一个 Session 对象。Session 提供在图中执行操作的一些方法。 |
35 | 37 |
|
36 | | -在Python API中，[tf.Session](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/client.md#Session)。 |
| 38 | +在 Python API中，使用[tf.Session](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/client.md#Session)。 |
37 | 39 |
|
38 | | -在C++API中，它是一个用来开启一个图表并运行操作的类：[tensorflow::Session](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassSession.md) |
| 40 | +在 C++ 的API中，[tensorflow::Session](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassSession.md)是用来创建一个图并运行操作的类： |
39 | 41 | ###Shape |
40 | | -Tensor的维度和他们的大小。 |
| 42 | +Tensor 的维度和它们的大小。 |
41 | 43 |
|
42 | | -在一个已经启动的图表中，它表示建立在节点（node）之间的Tensor的属性。一些操作强烈要求shape不能在运行时出现未知的输入和输出错误。 |
| 44 | +在一个已经启动的图中，它表示流动在节点（node）之间的 Tensor 的属性。一些操作对 shape 有比较强的要求，如果没有 Shape 属性则会报告错误。 |
43 | 45 |
|
44 | | -在Python API中，是图表构造API中Tensor的属性。在Tensor的Shape的构建中，要么只有部分已知，要么全部未知。见[tf.TensroShape](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/framework.md#TensorShape) |
| 46 | +在 Python API中，用创建图的 API 来说明 Tensor 的 Shape 属性。Tensor 的Shape 属性要么只有部分已知，要么全部未知。详见[tf.TensroShape](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/framework.md#TensorShape) |
45 | 47 |
|
46 | | -在C++中，Shape类用来表现Tensor的外形[tensorflow::TensorShape](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassTensorShape.md)。 |
| 48 | +在C++中，Shape 类用来表示 Tensor 的维度。[tensorflow::TensorShape](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassTensorShape.md)。 |
47 | 49 | ###SparseTensor |
48 | | -在Python API中，TensorFlow对tensor的表现很散落在任意地方。SparseTensor以字典值格式来储存那些沿着索引的非空值。换言之，m个非空值，就包含一个长度为m的值向量和一个由m列索引(indices)组成的矩阵。为了提升效率，SparseTensor需要将indice（索引）按维度的增加来按序存储，比如行主序。如果稀疏值仅沿着第一维度，就用IndexedSlices。 |
| 50 | +在 Python API 中，它用来表示在 TensorFlow 中稀疏散落在任意地方的 Tensor 。SparseTensor 以字典-值格式来储存那些沿着索引的非空值。换言之，m个非空值，就包含一个长度为m的值向量和一个由m列索引(indices)组成的矩阵。为了提升效率，SparseTensor 需要将 indice（索引）按维度的增加来按序存储，比如行主序。如果稀疏值仅沿着第一维度，就用 IndexedSlices。 |
49 | 51 | ###Tensor |
50 | 52 | Tensor是一种特定的多维数组。比如，一个浮点型的四维数组表示一小批由[batch,height，width，channel]组成的图片。 |
51 | 53 |
|
52 | | -在一个运行的图表(graph)中，它是一种连接在节点（node）之间的数据。 |
53 | | -在Python中，Tensor类表示添加到图表的操作中的输入和输出，见[tf.Tensor](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/framework.md#Tensor)，这样的类不持有数据。 |
| 54 | +在一个运行的图(graph)中，它是一种流动在节点（node）之间的数据。 |
| 55 | +在 Python 中，Tensor 类表示添加到图的操作中的输入和输出，见[tf.Tensor](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/framework.md#Tensor)，这样的类不持有数据。 |
54 | 56 |
|
55 | | -在C++中，Tensor是方法[Session::Run()](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassSession.md)的返回值，见[tensorflow::Tensor](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassTensor.md)，这样的Tensor持有数据。 |
| 57 | +在C++中，Tensor是方法[Session::Run( )](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassSession.md)的返回值，见[tensorflow::Tensor](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/cc/ClassTensor.md)，这样的 Tensor 持有数据。 |
56 | 58 |
|
57 | | -原文：[Glossary](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/resources/glossary.md) 翻译：[leege100](https://github.com/leege100) |
| 59 | + |
| 60 | +原文：[Glossary](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/resources/glossary.md) |
| 61 | + |
| 62 | +翻译：[leege100](https://github.com/leege100) |
| 63 | + |
| 64 | +校对：[lonlonago]( https://github.com/lonlonago) |
0 commit comments