上一篇文章讲了TensorFlow中什么是计算图，本文简单介绍下什么是张量。
在一个TensorFlow程序中，如果将计算图称为TensorFlow的计算模型，那么张量则可以称为TensorFlow的数据模型，因为张量是TensorFlow管理数据的形式，也就是说，在TensorFlow程序中，所有数据都可以借助张量的形式来表示。
张量，可以把它简单理解为不同维度的数组，其中零阶张量的表现形式是标量(Scaler)，也就是一个数字；一阶张量的表现形式是向量(Vector)，也就是一维数组；二阶张量的表现形式是二维数组；依次类推，n阶张量的表现形式就是n维数组。
我们先来看一个例子：
import tensorflow as tf
a=tf.constant([1.0,2.0],name='a')
b=tf.constant([3.0,4.0],name='b')
result=a+b
print(result)
#输出Tensor("add:0",shape=(2,),dtype=float32)
我刚第一次看到这个程序的时候，我的第一反应就是输出[4.0,6.0]，可是事实不是这样，它的输出是一个Tensor的表示“Tensor(“add:0”,shape=(2,),dtype=float32)”。可以肯定的是result是一个张量，但实际运算中张量只是引用了程序中的运算结果，而不是一个真正的数组，张量保存的是运算结果的属性，而不是真正的数字。其中，这三个属性分别为名字(name)，维度(shape)和数据类型(dtype)。
名字：它有时可以被看作是张量的一个名字，一般是要保存的节点的名字。计算图中的每一个节点都表示一个运算，而张量则将运算结果的属性保存了下来。这里操作的命名符合"node:src_output"的形式，其中node就是节点的名称（如上面的add），src_output表示这个张量是节点的第几个输出（编号从0开始）。
维度：它描绘了张量的维度信息，例如上面的那个例子shape=(2,)表示张量是一个1x2维的数组，或者可以理解为它保存了一个1x2维的运算结果。
数据类型：每一个张量的数据类型是唯一的。Tensorflow会检查参与某次运算的所有张量的数据类型，当发现类型不匹配时会报错，如下面例子所示
import tensorflow as tf
a=tf.constant([1,2],name='a')
b=tf.constant([3.0,4.0],name='b')
result=a+b
print(result)
#输出：TypeError: Input 'y' of 'Add' Op has type float32 that does not match type int32 of argument 'x'.
综上所述，我们可以这样理解，对于上面的例子，张量result储存的是一个名叫add节点的运算结果，它储存的是节点名为add的第1次输出（编号从0开始），运算结果是一个1x2维的数组，数据类型是float32。
如果想要输出真正的运算结果的话，我们要定义一个会话（Session），在会话中调用run函数将想要得到真正结果的张量传递进去，如下面例子所示：
import tensorflow as tf
a=tf.constant([1.0,2.0],name='a')
b=tf.constant([3.0,4.0],name='b')
result=a+b
with tf.Session() as sees:
tf.global_variables_initializer().run()
print(sees.run(result))
#输出[4. 6.]
参考书籍：《TensorFlow深度学习算法原理与编程实战》 蒋子阳 著