简介
正如名字所示，TensorFlow这一框架定义和运行涉及张量的计算。张量是对矢量和矩阵向潜在的更高维度的泛化。TensorFlow在内部将张量表示为基本数据类型的n维数组。
在编写TensorFlow程序时，您操作和传递的主要对象是 tf.Tensor。tf.Tensor对象表示一个部分定义的计算，最终会生成一个值。TensorFlow程序首先会构建一个tf.Tensor对象图，详细说明如何基于其它可用张量计算每个张量，然后运行运行改图的某些部分以获得期望的结果。
tf.Tensor具有以下属性：
- 数据类型（例如float32、int32或string）
- 形状
张量中的每个元素都具有相同的数据类型，且该数据类型一定是已知的。形状，即张量的维数和每个维度的大小，可能只有部分已知。如果其输入的形状也完全已知，则大多数操作会生成形状完全已知的张量，但在某些情况下，只能在执行图时获得张量的形状。
有些类型的张量有点特殊，TensorFlow指南的其它部分有所介绍。以下是主要特殊张量：
除了tf.Variable以外，张量的值是不变的，这意味着对于单个执行任务，张量只是一个值。然而，两次评估同一张量可能会返回不同的值。例如，该张量是从磁盘读取数据的结果，或是生成随机数的结果。
阶
tf.Tensor对象的阶是它本身的维数。阶的同义词包括：秩、等级或n维。请注意，TensorFlow中的阶与数学中矩阵的阶并不是同一个概念。如下表所示，TensorFlow中的每个阶都对应一个不同的数学实例：
| 阶 | 数学实例 |
|---|---|
| 0 | 标量（只有大小） |
| 1 | 矢量（大小和方向） |
| 2 | 矩阵（数据表） |
| 3 | 3 阶张量（数据立体） |
| n | n 阶张量（自行想象） |
0阶
以下摘要演示了创建0阶变量的过程：
mammal = tf.Variable("Elephant", tf.string)
ignition = tf.Variable(451, tf.int16)
floating = tf.Variable(3.14159265359, tf.float64)
its_complicated = tf.Variable(12.3 - 4.85j, tf.complex64)
注意：字符串在 TensorFlow 中被视为单一项，而不是一连串字符。TensorFlow 可以有标量字符串，字符串矢量，等等。
1阶
要创建1阶tf.Tensor对象，您可以传递一个项目列表作为初始值。例如：
mystr = tf.Variable(["Hello"], tf.string)
cool_numbers = tf.Variable([3.14159, 2.71828], tf.float32)
first_primes = tf.Variable([2, 3, 5, 7, 11], tf.int32)
its_very_complicated = tf.Variable([12.3 - 4.85j, 7.5 - 6.23j], tf.complex64)
更高阶
2阶tf.Tensor对象至少包含一行和一列：
mymat = tf.Variable([[7],[11]], tf.int16)
myxor = tf.Variable([[False, True],[True, False]], tf.bool)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
rank_of_squares = tf.rank(squarish_squares)
mymatC = tf.Variable([[7],[11]], tf.int32)
同样，更高阶的张量由一个n维数组组成。例如，在图像处理过程中，会使用许多4阶张量，维度对应批次大小、图像宽度、图像高度和颜色通道。
my_image = tf.zeros([10, 299, 299, 3]) # batch x height x width x color
获取tf.Tensor对象的阶
要确定tf.Tensor对象的阶，需要调用 tf.rank 方法。例如，以下方法会程序化的确定上一节中所定义的tf.Tensor的阶：
r = tf.rank(my_image)
# After the graph runs, r will hold the value 4.
引用tf.Tensor切片
由于tf.Tensor是n维单元数组，因此要访问tf.Tensor中的某一单元，需要指定n个索引。
0阶张量（标量）不需要索引，因为其本身就是单一数字。
对于1阶张量（矢量），可以通过传递一个索引访问某个数字：
my_scalar = my_vector[2]
请注意，如果想从矢量中动态的选择元素，那么在 [ ] 内传递的索引本身可以是一个标量tf.Tensor。
对于2阶及以上的张量，情况更为有趣。对于2阶tf.Tensor，传递两个数字会如预期般返回一个标量：
my_scalar = my_matrix[1, 2]
而传递一个数字则会返回矩阵子矢量，如下所示：
my_row_vector = my_matrix[2]
my_column_vector = my_matrix[:, 3]
符号 ： 是python切片语法，意味“不要触碰该维度”。这对更高阶的张量来说很有用，可以帮助访问其子矢量，子矩阵，甚至其它子张量。
形状
张量的形状是每个维度中元素的数量。TensorFlow在图的构建中自动推理形状。这些推理的形状可能具有已知阶或未知阶。如果阶已知，则每个维度的大小可能已知或未知。
TensorFlow文件编制中通过三种符号约定来描述张量维度：阶、形状和维数。下表阐述了 三者如何相互关联：
| 阶 | 形状 | 维数 | 示例 |
|---|---|---|---|
| 0 | [] | 0-D | 0 维张量。标量。 |
| 1 | [D0] | 1-D | 形状为 [5] 的 1 维张量。 |
| 2 | [D0, D1] | 2-D | 形状为 [3, 4] 的 2 维张量。 |
| 3 | [D0, D1, D2] | 3-D | 形状为 [1, 4, 3] 的 3 维张量。 |
| n | [D0, D1, ... Dn-1] | n 维 | 形状为 [D0, D1, ... Dn-1] 的张量。 |
形状可以通过整形Python列表/元组或者 tf.TensorShape 表示。
获取tf.Tensor对象的形状
可以通过两种方法获取tf.Tensor的形状。在构建图的时候，询问有关张量形状的已知信息通常很有帮助。可以通过查看shape属性（属于tf.Tensor对象）获取这些信息。该方法会返回一个 TensorShape 对象，这样可以方便地表示部分指定的形状（因为在构建图的时候，并不是所有形状都完全已知）。
也可以获取一个将在运行时表示另一个tf.Tensor的完全指定形状的tf.Tensor。为此，可以调动 tf.shape 操作。如此以来，您可以构建一个图，通过构建其它取决于输入tf.Tensor的动态形状的张量来控制张量的形状。
例如，以下代码展示了如何创建大小与给定矩阵中的列数相同的零矢量
zeros = tf.zeros(my_matrix.shape[1])
改变tf.Tensor对象的形状
张量的元素数量是其所有形状大小的乘积。标量的元素数量永远是1。由于通常有许多不同的形状具有相同数量的元素，因此如果能改变tf.Tensor的形状并使其元素固定不变通常会很方便。为此，可以使用 tf.reshape。
以下示例演示了如何重构张量：
rank_three_tensor = tf.ones([3, 4, 5])
matrix = tf.reshape(rank_three_tensor, [6, 10]) # Reshape existing content into
# a 6x10 matrix
matrixB = tf.reshape(matrix, [3, -1]) # Reshape existing content into a 3x20
# matrix. -1 tells reshape to calculate
# the size of this dimension.
matrixAlt = tf.reshape(matrixB, [4, 3, -1]) # Reshape existing content into a
#4x3x5 tensor # Note that the number of elements of the reshaped Tensors has to match the
# original number of elements. Therefore, the following example generates an
# error because no possible value for the last dimension will match the number
# of elements.
yet_another = tf.reshape(matrixAlt, [13, 2, -1]) # ERROR!
数据类型
除维度外，张量还具有数据类型。如需数据类型的完整列表，请参阅 tf.Dtype 页面。
一个tf.Tensor只能有一种数据类型。但是，可以将任意数据结构序列化为 string 并将其存储在tf.Tensor中。
可以将tf.Tensor从一种数据类型转型到另一种（通过 tf.cast ）:
# Cast a constant integer tensor into floating point.
float_tensor = tf.cast(tf.constant([1, 2, 3]), dtype=tf.float32)
要检查tf.Tensor的数据类型，请使用 Tensor.dtype 属性。
用Python对象创建一个tf.Tensor时，可以选择指定数据类型。如果不指定数据类型，TensorFlow会选择一个可以表示您的数据的数据类型。TensorFlow会将Python整数转型为 tf.int32，并将Python浮点型转型为 tf.float32。此外，TensorFlow使用Numpy在转换至数组时使用的相同规则。
评估张量
计算图构建完毕后，您可以运行生成特定tf.Tensor的计算并获取分配给它们的值。这对于程序调试通过非常有帮助，也是TensorFlow的大部分功能正常运行所必需的。
评估张量最简单的方法是使用 Tensor.eval 方法。例如：
constant = tf.constant([1, 2, 3])
tensor = constant * constant
print(tensor.eval())
eval 方法仅在默认tf.Session处于活跃状态时才起作用。例如：
sess = tf.Session() constant = tf.constant([1, 2, 3])
tensor = constant * constant
print(tensor.eval(session = sess))
Tensor.eval 会返回一个与张量相同的Numpy数组。
有时没法在没有背景信息的情况下评估tf.Tensor，因为它的值可能取决于无法获取的动态信息。例如，在没有为placehloder提供之的情况下，无法评估依赖于placeholder的张量：
p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval() # This will fail, since the placeholder did not get a value.
t.eval(feed_dict={p:2.0}) # This will succeed because we're feeding a value
# to the placeholder.
请注意，可以提供任何tf.Tensor，而不仅仅是占位符。
其它模型构造可能会使评估tf.Tensor变得较为复杂。TensorFlow无法直接评估在函数内部或控制流结构内部定义的tf.Tensor。如果tf.Tensor取决于队列中的值，那么只有在某个项加入队列后才能评估tf.Tensor；否则。评估将被搁置。在处理队列时，请先调用 tf.train.start_queue_runners，在评估任何tf.Tensor。
输出张量
出于调试目的，您可能需要输出tf.Tensor的值。虽然 tfdbg 提供高级调试支持，但TensorFlow也有一个操作可以直接输出tf.Tensor的值。
请注意，输出tf.Tensor时很少使用以下模式：
t = <<some tensorflow operation>>
print(t) # This will print the symbolic tensor when the graph is being built.
# This tensor does not have a value in this context.
上述代码会输出tf.Tensor对象（表示延迟计算），而不是其值。TensorFlow提供了 tf.Print 操作，该操作会返回其第一个张量参数（保持不变），同时输出第二个参数传递的tf.Tensor集合。
要正确使用tf.Print，必须使用其返回值。例如：
t = <<some tensorflow operation>>
tf.Print(t, [t]) # This does nothing
t = tf.Print(t, [t]) # Here we are using the value returned by tf.Print
result = t + 1 # Now when result is evaluated the value of `t` will be printed.
在评估result时，会评估所有影响result的元素。由于result依靠t，而评估t会导致输出其输入（t的旧值），所以系统会输出t。