下面介绍TensorFlow的基础类型、基础函数。这部分学完，会使你对TensorFlow的基础语法有个系统的了解，为后面学习写代码或读代码扫清障碍。
4.2.1 张量及操作
张量可以说是TensorFlow的标志，因为整个框架的名称TensorFlow就是张量流的意思。下面来一起全面的认识一下张量。
1.张量介绍
TensorFlow程序使用tensor数据结构来代表所有的数据。计算图中,操作间传递的数据都是tensor。
可以把TensorFlow tensor看作是一个n维的数组或列表。每个tensor包含了类型（type）、阶（rank）和形状（shape）。
● Tensor类型
为了方便理解，这里将tensor的类型与Python的类型放在一起做了个比较，见表4-2。
表4-2张量类型
rank（阶）指的就是维度。但张量的阶和矩阵的阶并不是同一个概念，主要是看有几层中括号。比如，对于一个传统意义上的3阶矩阵a=[[1,2,3],[4,5,6],[7,8,9]]来讲，在张量中的阶数表示为2阶。（因为它有两层中括号）
表4-3列出了标量、向量、矩阵的阶数。
表4-3 标量向量和矩阵的阶数
shape（形状）用于描述张量内部的组织关系。“形状”可以通过Python中的整数列表或元组（int list或tuples）来表示，也或者用TensorFlow中的相关形状函数来表示。
举例：一个二阶张量a = [[1, 2, 3], [4, 5, 6]]形状是两行三列，描述为（2,3)。
2.张量相关操作
张量的相关操作包括类型转换、数值操作、形状变换和数据操作。
● 类型转换
类型转换的相关函数见表4-4。
表4-4 类型变换相关函数
数值操作的相关函数见表4-5。
表4-5 类型变换相关函数
形状变换的相关函数见表4-6。
表4-6 形状变换相关函数
● 数据操作
数据操作的相关函数见表4-7：
表4-7 数据操作相关函数
表4-7 数据操作相关函数
表4-8列出了TensorFlow关于算术运算方面的函数。
表4-8 算术操作
矩阵相关的操作函数见表4-9。
表4-9 矩阵操作函数
4.2.4 复数操作函数
关于复数的操作函数见表4-10。
4.2.5 规约计算
规约计算的操作都会有降维的功能，在所有reduce_xxx系列操作函数中，都是以xxx的手段降维。每个函数都有axis这个参数，即沿某个方向，使用xxx方法对输入的tensor进行降维。
axis的默认值时None，即把input_tensor降到 0维，即一个数。
对于2维input_tensor而言： axis=0按列计算；axis=1，按行计算。
参数reduction_indices是为了兼容以前版本与axis，保证相同的含义。
表4-11 规约计算函数
分割操作是TensorFlow不太常用的操作，在复杂的网络模型里偶尔才会用到。
表4-12 分割相关函数
对于序列和数组的操作，是本书中非常常用的方法，具体的函数见表4-13。
表4-13 序列比较与索引提取相关函数
作为一个完整的框架，有它自己的错误处理。TensorFlow中的错误类如下，该部分不是太常用，可以作为工具，使用时查一下即可。
表4-14 错误类
