目录
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，在即时执行模式下，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。
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 TensorArray arr 。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;
除此以外，TensorArray 还包括 stack() 、 unstack() 等常用操作，可参考 文档 以了解详情。
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，在图执行模式下，必须按照以下的形式写入数组：
arr = arr.write(index, value)
这样才可以正常生成一个计算图操作，并将该操作返回给 arr 。而不可以写成：
arr.write(index, value) # 生成的计算图操作没有左值接收，从而丢失
一个简单的示例如下：
import tensorflow as tf
@tf.function大连人流医院 http://mobile.84211111.cn/
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)
输出：
tf.Tensor(0.0, shape=(), dtype=float32) tf.Tensor(1.0, shape=(), dtype=float32) tf.Tensor(2.0, shape=(), dtype=float32)