TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.
在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶.
t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素.而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.
阶
数学实例
Python 例子
0
纯量 (只有大小)
s = 483
1
向量(大小和方向)
v = [1.1, 2.2, 3.3]
2
矩阵(数据表)
m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3
3阶张量 (数据立体)
t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n
n阶 (自己想想看)
....
TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：
阶
形状
维数
实例
0
[ ]
0-D
一个 0维张量. 一个纯量.
1
[D0]
1-D
一个1维张量的形式[5].
2
[D0, D1]
2-D
一个2维张量的形式[3, 4].
3
[D0, D1, D2]
3-D
一个3维张量的形式 [1, 4, 3].
n
[D0, D1, ... Dn]
n-D
一个n维张量的形式 [D0, D1, ... Dn].
形状可以通过Python中的整数列表或元祖（int list或tuples）来表示，也或者用TensorShape class.
例子：
>>> matrix=tf.constant([[1,2,3],[4,5,6]]) >>> matrix <tf.Tensor 'Const_3:0' shape=(2, 3) dtype=int32>
除了维度，Tensors有一个数据类型属性.你可以为一个张量指定下列数据类型中的任意一个类型：
数据类型
Python 类型
描述
DT_FLOAT
tf.float32
32 位浮点数.
DT_DOUBLE
tf.float64
64 位浮点数.
DT_INT64
tf.int64
64 位有符号整型.
DT_INT32
tf.int32
32 位有符号整型.
DT_INT16
tf.int16
16 位有符号整型.
DT_INT8
tf.int8
8 位有符号整型.
DT_UINT8
tf.uint8
8 位无符号整型.
DT_STRING
tf.string
可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL
tf.bool
布尔型.
DT_COMPLEX64
tf.complex64
由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32
tf.qint32
用于量化Ops的32位有符号整型.
DT_QINT8
tf.qint8
用于量化Ops的8位有符号整型.
DT_QUINT8
tf.quint8
用于量化Ops的8位无符号整型.
