tensor维度本质就是逐层脱去括号。
脱第一层括号后，紧挨着的一层整体只有一个元素，故为1
脱掉第二层括号后，里面整体有三个元素，即三行
脱掉第四层，里面整体依然有三个元素，比如[1]，[2]，[3]
再往里面看，只有一个元素
故最后得到的是1*3*3*1。
越高层的维度在越里面，具体到深度学习里，如tf.nn.embedding_lookup(itememb, batchitem)。在embedding这一层的数据维度是最高的。在batch这一层的数据维度是最低的（axis=0）。举例：如果一个人有多个兴趣tag（最大个数为100），每个tag的embedding维度为32，训练时batch大小为1000，则tf.nn.embedding_lookup(itempref, batchpref)的维度shape为（1000，100，32）
关于reduce_xxx的维度问题
对于k维tensor，
tf.reduce_xxx(x, axis=k-1)的结果是对最里面一维所有元素进行求和。
tf.reduce_xxx(x, axis=k-2)是对倒数第二层里的向量对应的元素进行求和。
tf.reduce_xxx(x, axis=k-3)把倒数第三层的每个向量对应元素相加
拿reduce_mean做验证
[[[ 1. 1.]
[ 2. 2.]]
[[ 3. 3.]
[ 4. 4.]]]
axis=2，做最内层计算，我们的最内层就是(1,1),(2,2),(3,3),(4,4)，计算出来的就是
[[ 1. 2.] [ 3. 4.]]
axis=1，做倒数第二层计算
[[ 1.5 1.5] [ 3.5 3.5]]
axis=0，做倒数第三层计算
[[ 2. 2.] [ 3. 3.]]
