https://blog.csdn.net/kansas_lh/article/details/79321234
tensor是tensorflow基础的一个概念——张量。
Tensorflow用到了数据流图，数据流图包括数据（Data）、流（Flow）、图（Graph）。Tensorflow里的数据用到的都是tensor，所以谷歌起名为tensorflow。
下面介绍张量几个比较重要的概念
张量的维度（秩）：Rank/Order
Rank为0、1、2时分别称为标量、向量和矩阵，Rank为3时是3阶张量，Rank大于3时是N阶张量。这些标量、向量、矩阵和张量里每一个元素被称为tensor element（张量的元素），且同一个张量里元素的类型是保持一样的。
Tensor的属性
1.数据类型dtype d是data的首字母，type是类型的意思。tensor里每一个元素的数据类型是一样的。类似于Numpy中ndarray.dtype，tensorflow里的数据类型可以有很多种，比方说tf.float32就是32位的浮点数，tf.int8就是8位的整型，tf.unit8就是8位的无符号整型，tf.string为字符串等等。
2.形状Shape 类似于Numpy中ndarray.shape，比方说一个2行3列的二维矩阵，他的形状就是2行3列。
3.其他属性 device是tensor在哪个设备上被计算出来的，graph是tensor所属的图，name是tensor的名字
,op是operation的缩写是产生这个tensor的操作运算，对应图上的结点，这些结点接收一些tensor作为输入并输出一些tensor。还有等等属性，可以查阅官网。
tensor和Numpy有很多共同的性质，tensorflow的作者应该参考了numpy（个人臆测）
几种Tensor
1.Constant（常量）是值不能改变的一种tensor，定义在tf.constant这个类里。
constant中有几个属性，value就是constant的数值，我们可以给他赋值，比方说0维的scalar，1维的Vector，2维的matrix或者是3维的张量。dtype、shape、name刚都有写过，verify_shape是布尔值，用于验证值的形状。除了value外都不一定要指定，可以有默认的值但是必须要有一个value。
2.Variable（变量）是值可以改变的一种tensor，定义在tf.Variable这个类中。构造函数如下图，我也看不懂其实。 
3.Placeholder(占位符）先占住一个固定的位置，之后在往里面添加值的一种Tensor。定义在tf.placeholder中。这里只有三个属性如下图。并没有value，因为赋值后就不是占位符了。只有dtype,shape,name三个属性。赋值的机制用到了python中字典，即feed_dict。
x = tf.palceholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)
with if.Session() as sess:
print(sess.run(y))
rand_array = np.random.rand(1024, 1024)
print(sess.run(y, feed_dict = {x: rand_array}))- 1
- 2
- 3
- 4
- 5
- 6
比刚说官网的例子定义了x占位符，数值类型是tf.float32，形状是1024*1024的二维矩阵。在用会话正式运行图的时候用feed_dict，首先给一个键后加真实的值。
4.SparseTensor(稀疏张量）是一种稀疏的Tensor，类似线代中稀疏矩阵。定义时只需要定义非0的数，其他的数会自动填充。
Tensor表示法 
tf.Tensor就是名字，’Const’是名字。0是索引，表示张量是这个计算中产生的第几个。shape=()是形状，这个是标量所以是空，dtype为数据类型。