可以先看看张量的官方介绍：
在tensorflow程序中所有的数据都通过张量的形式来表示。TensorFlow 中的核心数据单位是张量。张量是对矢量和矩阵向潜在的更高维度的泛化。对内，TensorFlow 将张量表现为基本数据类型的 n 维数组。其中零阶张量表示标量（scalar）也就是一个数；一阶张量为向量，也就是一维数组；n阶张量可以理解为一个n维数组。但张量的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有保存数字，它保存的是如何得到这些数字的计算过程。
以下是主要的特殊张量：
- tf.Variable
- tf.constant
- tf.placeholder
- tf.SparseTensor
tf.Variable
一个张量主要有以下属性：
- 形状（shape）
- 类型（type），例如 float32，int32 或 string
阶（rank）
在TensorFlow系统中，张量的维数来被描述为阶。
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。
#直观上可以理解为左边有多少个中括号"["就是多少阶。
阶 | 数学实例 | Python 例子 |
0 | 标量 (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 | 示例 |
0 | [] | 0-D | 0 维张量。标量。 |
1 | [D0] | 1-D | 形状为 [5] 的 1 维张量。 |
2 | [D0, D1] | 2-D | 形状为 [3, 4] 的 2 维张量。 |
3 | [D0, D1, D2] | 3-D | 形状为 [1, 4, 3] 的 3 维张量。 |
n | [D0, D1, ... Dn-1] | n-D | 形状为 [D0, D1, ... Dn-1] 的张量。 |
形状（shape）
张量的形状是每个维度中元素的数量， 形状(shape)不能认为它是一个元组（尽管写法一样）。
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
# (2, 2, 3)
那么第一个2是指[ [1, 1, 1], [2, 2, 2]] 还有 [[3, 3, 3], [4, 4, 4]]， 共有2个组合， 第二个2是指[1, 1, 1], [2, 2, 2]这个组合还有 [[3, 3, 3], [4, 4, 4]]这个组合。
3就是[1, 1, 1]这个列表里面有3个元素了。
Variable([3.14159, 2.71828], tf.float32) #1阶张量，共有2个元素，所以shape是(2)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32) #2阶张量，shape是(4,1)
my_image = tf.zeros([10, 299, 299, 3]) #4阶张量，shape是(10, 299, 299, 3)，其实zeros里面的参数就是一个shape（不要认为它是一个值列表，这跟用Variable创建一个张量参数不一样）。
文章来源: TensorFlow中的张量(tensor)