下面哪一项不是TensorFlow中张量的属性？

A、在TensorFlow中，所有的数据都通过张量的形式来表示

B、张量并没有真正保存数字，而是保存了计算过程

C、TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

D、带小数点的数会被默认为int16类型

A、GradientDescentOptimizer

B、MarkovOptimizer

C、AdamOptimizer

D、AdadeltaOptimizer

A、会话拥有并管理TensorFlow程序运行时的所有资源

B、计算结束后不需要关闭会话资源便可回收

C、TensorFlow不会自动生成默认的会话，需要手动指定

D、Session负责数据流图中操作的执行

A、tf.float32

B、tf.int32

C、tf.complex64

D、tf.unit16

A、a=tf.get_variable(“get_varaible”,[3,3,4],initializer=tf.constant_initializer([3,3,4,5]))

B、b=tf.Variable([3,3,4])

C、c=tf.zeros([3,3,4])

D、d=tf.truncated_normal([3,3,4])

通过生成人工数据集合，基于TensorFlow实现y=3.1234*x+2.98线性回归 通过上传附件方式提交 notebook文件（.ipynb） 评分标准： 1、生成 x_data，值为 [0, 100]之间500个等差数列数据集合作为样本特征 根据目标线性方程 y=3.1234*x+2.98，生成相应的标签集合 y_data，1分； 2、画出随机生成数据的散点图和想要通过学习得到的目标线性函数 y=3.1234*x+2.98，1分； 3、构建回归模型，3分； 4、训练模型，10轮，每训练20个样本显示损失值，2分； 5、通过训练出的模型预测 x=5.79 时 y 的值，并显示根据目标方程显示的 y 值，1分； 6、 通过Tensorboard显示构建的计算图。 上传的源代码中有相应的源代码 结果计算图截图可以嵌入上交的notebook文件（.ipynb） 嵌入图片的方法为markdown cell中代码，2分。 备注：如果不是上传notebook文件（.ipynb），可以用以下方案替代： 1、源代码 .py 文件 2、写一个说明文档，贴上散点图和计算图的图形，格式可以是word或者pdf 3、以上两个文件通过压缩文件打包为一个zip或者rar文件 强烈建议提交 notebook文件（.ipynb）（打包为压缩文件后上传）

A、Python列表中的元素必须使用相同的数据类型

B、TensorFlow张量可以运行于GPU和TPU上

C、Python列表不适合用来做多维数组数值计算

D、NumPy数组不支持GPU运算

A、conda install numpy matplotlib

B、conda install numpy=1.10

C、pip install tensorflow

D、active tensorflow