本文翻译自： 《Take advantage of the overloaded operators》， 如有侵权请联系删除， 仅限于学术交流， 请勿商用。 如有谬误， 请联系指出。
和 Numpy 一样， 为了使代码可读性更强， 更容易绘制一个计算图， TensorFlow 重载了很多 python 中的运算符。
**切片（slice）**操作是众多重载运算符中的一个， 它可以使得索引张量变得很容易：
z = x[begin:end] # z = tf.slice(x, [begin], [end-begin])
但是在使用的时候还是需要注意。 切片操作的效率非常低， 因此最好避免使用， 特别是在切片的数量很大的时候。 为了更好地理解这个操作符有多么地低效， 我们先观察一个例子。 我们想要人工实现一个对矩阵的行进行 reduce 操作的代码：
import tensorflow as tf
import time
x = tf.random_uniform([500, 10])
z = tf.zeros([10])
for i in range(500):
z += x[i]
sess = tf.Session()
start = time.time()
sess.run(z)
print("Took %f seconds." % (time.time() - start))
在我的 MacBook Pro 上， 这段代码执行了 2.67 秒！ 如此耗时的原因是我们调用了切片操作 500 次， 这个操作非常缓慢！ 一个更好的选择是使用 tf.unstack() 操作去将一个矩阵切成一个向量的列表， 而这只需要一次就行！
z = tf.zeros([10])
for x_i in tf.unstack(x):
z += x_i
这个操作花费了 0.18 秒， 当然， 最正确的方式去实现这个需求是使用 tf.reduce_sum() 操作：
z = tf.reduce_sum(x, axis=0)
这个仅仅使用了 0.008 秒， 是原始实现的 300 倍！ TensorFlow 除了切片操作， 也重载了一系列的数学逻辑运算， 如：
z = -x # z = tf.negative(x)
z = x + y # z = tf.add(x, y)
z = x - y # z = tf.subtract(x, y)
z = x * y # z = tf.mul(x, y)
z = x / y # z = tf.div(x, y)
z = x // y # z = tf.floordiv(x, y)
z = x % y # z = tf.mod(x, y)
z = x ** y # z = tf.pow(x, y)
z = x @ y # z = tf.matmul(x, y)
z = x > y # z = tf.greater(x, y)
z = x >= y # z = tf.greater_equal(x, y)
z = x < y # z = tf.less(x, y)
z = x <= y # z = tf.less_equal(x, y)
z = abs(x) # z = tf.abs(x)
z = x & y # z = tf.logical_and(x, y)
z = x | y # z = tf.logical_or(x, y)
z = x ^ y # z = tf.logical_xor(x, y)
z = ~x # z = tf.logical_not(x)
你也可以使用这些操作符的增强版， 如 x += y 和 x **=2 同样是合法的。
请注意 python 不允许重载 and , or 和 not 等关键字。
TensorFlow 也不允许把张量当成 boolean 类型使用， 因为这个很容易出错：
x = tf.constant(1.)
if x: # This will raise a TypeError error
...
如果你想检查这个张量的值， 你也可以使用 tf.cond(x,...) ， 或者使用 if x is None 去检查这个变量的值。
有些操作是不支持的， 比如说等于判断 == 和不等于判断 != 运算符， 这些在 numpy 中得到了重载， 但在 TensorFlow 中没有重载。 如果需要使用， 请使用这些功能的函数版本 tf.equal() 和 tf.not_equal() 。