无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点这里可以跳转到教程。人工智能教程
在部分网络结构，尤其是涉及到时间序列的结构中，我们可能需要将一系列张量以数组的方式依次存放起来，以供进一步处理。当然，在 Eager Execution 下，你可以直接使用一个 Python 列表（List）存放数组。不过，如果你需要基于计算图的特性（例如使用 @tf.function 加速模型运行或者使用 SavedModel 导出模型），就无法使用这种方式了。因此，TensorFlow 提供了 tf.TensorArray ，一种支持计算图特性的 TensorFlow 动态数组。下面将介绍tensorflow2.0在计算图模式中使用动态数组保存和读取张量的方法。
其声明的方式为：
arr = tf.TensorArray(dtype, size, dynamic_size=False) ：声明一个大小为size，类型为dtype的 TensorArrayarr。如果将dynamic_size参数设置为True，则该数组会自动增长空间。
其读取和写入的方法为：
write(index, value) ：将 value 写入数组的第 index 个位置；
read(index) ：读取数组的第 index 个值；
请注意，由于需要支持计算图，tf.TensorArray的write()方法是不可以忽略左值的！也就是说，在 Graph Execution 模式下，必须按照以下的形式写入数组：
正确写法：
arr = arr.write(index, value)
错误写法：
arr.write(index, value) # 生成的计算图操作没有左值接收，从而丢失
一个例子：
import tensorflow as tf
@tf.function
def array_write_and_read():
arr = tf.TensorArray(dtype=tf.float32, size=3)
arr = arr.write(0, tf.constant(0.0))
arr = arr.write(1, tf.constant(1.0))
arr = arr.write(2, tf.constant(2.0))
arr_0 = arr.read(0)
arr_1 = arr.read(1)
arr_2 = arr.read(2)
return arr_0, arr_1, arr_2
a, b, c = array_write_and_read()
print(a, b, c)
运行结果：
tf.Tensor(0.0, shape=(), dtype=float32) tf.Tensor(1.0, shape=(), dtype=float32) tf.Tensor(2.0, shape=(), dtype=float32)