资料来源：《TensorFlow实战Google深度学习框架》 郑泽宇 梁博文 顾思宇 著 （第二版） 电子工业出版社
一、概念
张量，可以理解为多维数组。
比如，0阶张量表示一个数，也就是一个标量（scalar）；1阶张量表示一维数组；n阶张量表示n维数组。
二、说明
在tensorflow中，张量并没有真正保存数字，它保存的是如何得到一些数字的计算过程。以向量加法为例，当运行如下代码时，并不会得到加法结果，而会得到对结果的一个引用
import tensorflow as tf
#tf.constant 是一个计算过程，这个计算的结果为一个张量，保存在变量a中
a = tf.constant([1.0,2.0],name="a") #a是一个张量
b = tf.constant([2.0,3.0],name="b") #b是一个张量
result = tf.add(a,b,name="add")。 #result是一个张量
print (result)
'''
将会输出：
Tensor("add:0",shape=(2,),dtype=float32)
'''从以上代码可以看出，tesnorflow的计算结果不是一个具体的数字，而是一个张量的结构。
三、属性
一个张量有三个属性：名字，维度，类型（name,shape,type）。
在代码中有如下语句：
result = tf.add(a,b,name="add")这表示：result是个张量，“add:0”是它的名字，该名字的含义是说，它是“add”节点输出的第一个结果（编号从0开始）。（add节点也就是我们说的计算节点）
shape=(2,)就是维度，说明张量result是一个一维数组，数组的长度是2。
float32就是类型，tensorflow会对参与运算的所有张量进行类型检查，当发现类型不匹配时会报错，比如运行下方的代码会报类型不匹配的错误：
import tensorflow as tf
a = tf.constant([1,2],name="a")
b = tf.constant([2.0,3.0],name="b")
result = a+b
'''
运行结果：
ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b_3:0", shape=(2,), dtype=float32)'
'''如果将第一个加数指定成实数类型“a=tf.constant([1,2],name="a",dtype=tf.float32)”,那么就不会报错了。
tensorflow虽然会给出默认的类型，如：不带小数点的数会被默认为int32, 带小数点的数会被默认为float32。但是使用默认类型可能会导致潜在的类型不匹配问题，所以一般建议通过指定dtype指定类型