在tensorflow中，数据都以张量的形式来表示。
张量在功能的角度上可以被理解为多维数组，其中n阶张量可以理解为一个n维数组。
但张量在tensorflow中的实现是对于运算结果的引用，张量中不真正的保存数字，而是保存这些数字的运算过程。
张量中主要保存了三个属性：name, shape, type
name不仅是张量中的唯一标识符，还给出了这个张良是如何计算出来的。
张量的命名通过“node:src_output"的形式得出，其中node是节点的名称，src_output表示当前张量来自于节点的第几个输出。
张量的第二个属性是shape（维度）。该属性描述了张量的维度信息。
张量中的第三个属性是type（类型）。
tensorflow中支持14种不同类型，实数(tf.float32, tf.float64)，整数（tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8)， 布尔型(tf.bool)和复数(tf.complex64, tf.complex128)
张量的使用通常分为两大类：
1. 对于中间计算结果的引用。当一个计算包含很多中间结果时，使用张量可以提高代码的可读性。
2. 当计算图构造完成后，可以用来获得计算结果。虽然张量不能保存具体的数字，但是通过session可以得到具体的数字。可以使用tf.Session().run(result)来得到最后的结果
张量在功能的角度上可以被理解为多维数组，其中n阶张量可以理解为一个n维数组。
但张量在tensorflow中的实现是对于运算结果的引用，张量中不真正的保存数字，而是保存这些数字的运算过程。
张量中主要保存了三个属性：name, shape, type
name不仅是张量中的唯一标识符，还给出了这个张良是如何计算出来的。
张量的命名通过“node:src_output"的形式得出，其中node是节点的名称，src_output表示当前张量来自于节点的第几个输出。
张量的第二个属性是shape（维度）。该属性描述了张量的维度信息。
张量中的第三个属性是type（类型）。
tensorflow中支持14种不同类型，实数(tf.float32, tf.float64)，整数（tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8)， 布尔型(tf.bool)和复数(tf.complex64, tf.complex128)
张量的使用通常分为两大类：
1. 对于中间计算结果的引用。当一个计算包含很多中间结果时，使用张量可以提高代码的可读性。
2. 当计算图构造完成后，可以用来获得计算结果。虽然张量不能保存具体的数字，但是通过session可以得到具体的数字。可以使用tf.Session().run(result)来得到最后的结果