最通俗的语言解释什么是张量，最近有混乱和不理解的可以详细看一下，耐心看就行。emmmm我今天遇到了个问题把我一下子乱了所以再回忆一下基础。
一、一维张量
从一维开始：
tf.constant([1.0 , 3.0 , 6.0])
表示：生成一个一维张量（向量），shape是1行3列即shape是[3]。为什么不是[1,3]呢？因为这个张量是一维的，只有一个维度，你可以把维度和shape理解为一个key:value的关系，就是一个维度是拥有值的，这个值在张量中体现为[] 的层数。
shape为[1,3]的应该是：tf.constant([[1.0 , 5.0 , 9.0]])
二、二维张量
tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
如上，这就是一个二维张量，看一个Tensor有多少个维度，首先从最里面层的[或者]来数，有多少个层的[或者]就是有多少个维度，所以这里是二维。
从[或者]来看，可以判断有两个维度，那如何判断这里的shape呢？
首先从最里面一个维度来看，它是有3个元素的，如[1.,2.,3.]（注意，这个一般代表有几个特征，特征可以理解为Datafame的列），所以最里面一个维度为3，其次最里面这个维度有3个样本，所以最外面的维度是3.
我这里为什么要说最里面和最外面呢？而不说第一个维度、第二个维度呢？因为维度可以是相对的，你把最里面的维度叫做第一个维度也可以，把最外面的维度叫做第一个维度也可以。这个并无大碍。这里我们以最里面成为第一个维度，最外面成为第二个维度。
三、三维张量
先说，下面是一个三维张量：
tf.constant([ [ [1., 1.], [2., 2.]], [[3., 3.], [4., 4.] ] ])
其返回值是：
<tf.Tensor: id=700, shape=(2, 2, 2), dtype=float32, numpy=
array([[[1., 1.],
[2., 2.]],
[[3., 3.],
[4., 4.]]], dtype=float32)>
如何理解呢？首先从[的数量可以判断这个张量是三维的，其次，第一个维度有2个值，如1.和1.，所以第一个维度是2，第二个维度也是有两个值，如[1.,1.]和[2.,2.]，所以第二个维度是2，再看第三个维度，第三个维度有两个值，分别是：
[[1.，1.],[2.，2.]] 和[[3.，3.],[4.，4.]]
所以第三个维度是2。所以这个张量有3个维度，3个维度的值分别是2，2，2.即shape是(2,2,2)。注意：这里的维度index是从里往外算的。
四、超过三维
这里不举例了，反正就是一直堆叠[]到数组中即可。
比如：
tf.constant([ [ [[1., 1.], [2., 2.]], [[3., 3.], [4., 4.] ]] ])
这个就是一个四维向量！
返回值是：
<tf.Tensor: id=701, shape=(1, 2, 2, 2), dtype=float32, numpy=
array([[[[1., 1.],
[2., 2.]],
[[3., 3.],
[4., 4.]]]], dtype=float32)>
分析一下：分析三维的时候那个三维张量的shape是(2,2,2)，然后四维的话加了一个[]层，可以这样理解：就是把三维张量的第三维算作第四维的值，有多少个第三维，那么第四维的shape值就是多少。
这么这里是有这么多个三维，如下：
[[[1., 1.],
[2., 2.]],
[[3., 3.],
[4., 4.]]]
以上是一个三维张量，而四维张量的第四维度只有这么一个三维，注意喔，上面这个三维看作四维的一个值!!! 所以因为第四维只有一个值，所以自然第四维的shape值就是1了。
emmm说好的不举例，又举例了。。。
以上就是第四维的情况。然后n维的话，也按照这个思路和规律去理解。
注意:！
在TF的张量打印出来的格式中，他不是从里到外数张量的，他是从外到里数的。
案例：
tf.constant([ [ [[1., 1.], [2., 2.]], [[3., 3.], [4., 4.] ]] ])
打印结果：
<tf.Tensor: id=948, shape=(1, 2, 2, 2), dtype=float32, numpy=
array([[[[1., 1.],
[2., 2.]],
[[3., 3.],
[4., 4.]]]], dtype=float32)>
这里的shape提示为（1，2，2，2），如果shape从左往右来看，那么他在张量里面数的时候是从外往里数的。晋记！
如果shape从右往左来看，那么他在张量里面数的时候是从里往外数的。晋记！