如名稱所示，TensorFlow是定義和運行涉及張量(Tensor)的計算框架。一個張量是將向量和矩陣推廣到潛在更高的維度。在內部，TensorFlow將張量表示為n維基本數據類型的數組。
當編寫一個TensorFlow程序時，你操作和傳遞的主要對象是tf.Tensor。一個tf.Tensor對象表示一個部分定義的計算，最終會產生一個值。 TensorFlow程序首先建立基於tf.Tensor的計算圖，並詳細說明如何根據其他可用張量計算每個張量，然後通過運行該圖的部分來獲得期望的結果。
一個tf.Tensor具有以下屬性：
- 一個數據類型(例如：
float32，int32， 或者string) - 一個形狀(shape)
張量中的每個元素具有相同的數據類型，並且數據類型總是已知的。形狀(即它具有的維數和每個維度的大小)可能隻是部分已知的。大多數操作都會產生完全已知形狀的張量，如果它們的輸入形狀也是完全已知的，但在某些情況下，隻能在圖形執行時得到張量的形狀。
某些類型的張量是特殊的，這些將在程序員指南的其他單元中介紹。主要的是：
tf.Variabletf.Constanttf.Placeholdertf.SparseTensor
除了tf.Variable，張量的值是不變的，這意味著在單個執行張量的上下文中隻有一個值。然而，兩次評估相同的張量可以返回不同的值;例如張量可以是從磁盤讀取數據或產生一個隨機數的結果。
秩(rank)
秩是一個tf.Tensor對象的維數。Rank的同義詞包括order或者degree或者n-dimension。請注意，TensorFlow中的rank與數學中的矩陣rank並不相同。如下表所示，TensorFlow中的每個rank對應於不同的數學實體：
| 秩(rank) | 數學實體 |
|---|---|
| 0 | 標量(隻有大小) |
| 1 | 矢量(大小和方向) |
| 2 | 矩陣(數字表) |
| 3 | 3-Tensor(數字立方體) |
| ñ | n-Tensor(依次類推，你可能已經理解了^_^) |
Rank 0
以下片段演示了創建幾個Rank 0變量：
mammal = tf.Variable("Elephant", tf.string)
ignition = tf.Variable(451, tf.int16)
floating = tf.Variable(3.14159265359, tf.float64)
its_complicated = tf.Variable((12.3, -4.85), tf.complex64)
Rank 1
創建一個Rank 1tf.Tensor對象，您可以傳遞一個項目列表作為初始值。例如：
mystr = tf.Variable(["Hello"], tf.string)
cool_numbers = tf.Variable([3.14159, 2.71828], tf.float32)
first_primes = tf.Variable([2, 3, 5, 7, 11], tf.int32)
its_very_complicated = tf.Variable([(12.3, -4.85), (7.5, -6.23)], tf.complex64)
更高的Rank
Rank 2tf.Tensor對象由至少一行和至少一列組成：
mymat = tf.Variable([[7],[11]], tf.int16)
myxor = tf.Variable([[False, True],[True, False]], tf.bool)
linear_squares = tf.Variable([[4], [9], [16], [25]], tf.int32)
squarish_squares = tf.Variable([ [4, 9], [16, 25] ], tf.int32)
rank_of_squares = tf.rank(squarish_squares)
mymatC = tf.Variable([[7],[11]], tf.int32)
Higher-rank張量同樣由n-dimensional數組組成。例如，在圖像處理過程中，使用許多Rank為4的張量，尺寸分別對應於example-in-batch，圖像寬度，圖像高度和顏色通道。
my_image = tf.zeros([10, 299, 299, 3]) # batch x height x width x color
得到一個tf.Tensor對象的Rank
確定一個tf.Tensor對象的Rank，使用tf.rank方法。例如，以下方法以編程方式確定tf.Tensor的Rank：
r = tf.rank(my3d)
# After the graph runs, r will hold the value 3.
引用tf.Tensor片段(slices)
由於tf.Tensor是n維單元格數組，要訪問單個單元格tf.Tensor你需要指定n個索引。
對於一個Rank 0張量(一個標量)，不需要索引，因為它已經是一個單一的數字。
對於Rank 1張量(矢量)，傳遞單個索引允許您訪問一個數字：
my_scalar = my_vector[2]
請注意，如果你想動態地從矢量中選擇一個元素，傳入[]內部的索引本身可以是一個標量tf.Tensor。
對於Rank 2或更高秩的張量，情況更有趣。對於一個Rank 2的tf.Tensor，傳遞兩個數字返回一個標量，如預期的那樣：
my_scalar = my_matrix[1, 2]
但是，傳遞一個數字將返回一個矩陣的子向量，如下所示：
my_row_vector = my_matrix[2]
my_column_vector = my_matrix[:, 3]
:符號是python切片語法，表示“讓這個維度獨立”。這在higher-rank張量中很有用，因為它允許你訪問它的子向量，子矩陣，甚至其他的副本。
形狀（shape）
張量的形狀是每個維度中元素的數量。圖形構建期間，TensorFlow自動推斷形狀。這些推斷的形狀可能具有已知或未知的rank。如果rank已知，則每個維度的大小可能是已知的或未知的。
TensorFlow文檔使用三個符號約定來描述張量維數：rank(秩)，shape（形狀）和維數。下表顯示了這些如何相互關聯：
| 秩 | 形狀 | 維數 | 例子 |
|---|---|---|---|
| 0 | [] | 0-d | 一個0-D張量。一個標量。 |
| 1 | [D0] | 1-d | 具有形狀[5]的一維張量。 |
| 2 | [D0，D1] | 2-d | 一個形狀[3,4]二維張量。 |
| 3 | [D0，D1，D2] | 3-d | 一個形狀[1,4，3]的三維張量。 |
| ñ | [D0，D1，… Dn-1] | n-D | 形狀為[D0，D1，… Dn-1]的張量。 |
形狀可以通過Python列表/元組的int或者tf.TensorShape來表示。
得到一個tf.Tensor對象的形狀
有兩種方法可以訪問tf.Tensor的形狀。在建立圖形的時候，了解已知的張量形狀常常是有用的。這可以通過讀取tf.Tensor對象的shape屬性。這個方法返回一個TensorShape對象，這是表示partially-specified（部分指定）形狀的一種方便的方法(因為在構建圖形時，並不是所有的形狀都是完全已知的)。
在運行時，也有可能得到一個tf.Tensor這將代表另一個的完全已知形狀的tf.Tensor，通過調用tf.shape操作。這樣，您就可以構建一個圖，通過構建其他張量來處理張量的形狀，這些張量依賴於輸入的動態形狀tf.Tensor。
例如，製作與給定矩陣中的列數相同大小的零向量：
zeros = tf.zeros(tf.shape(my_matrix)[1])
改變tf.Tensor的形狀
張量元素的數量是所有形狀大小的乘積。標量的元素數總是一樣的1。由於經常有許多不同的形狀具有相同數量的元素，所以通常能夠方便地改變tf.Tensor形狀，但是保持元素不變。這可以用tf.reshape來完成。
以下示例演示如何重構(reshape)張量：
rank_three_tensor = tf.ones([3, 4, 5])
matrix = tf.reshape(rank_three_tensor, [6, 10]) # Reshape existing content into
# a 6x10 matrix
matrixB = tf.reshape(matrix, [3, -1]) # Reshape existing content into a 3x20
# matrix. -1 tells reshape to calculate
# the size of this dimension.
matrixAlt = tf.reshape(matrixB, [4, 3, -1]) # Reshape existing content into a
#4x3x5 tensor
# Note that the number of elements of the reshaped Tensors has to match the
# original number of elements. Therefore, the following example generates an
# error because no possible value for the last dimension will match the number
# of elements.
yet_another = tf.reshape(matrixAlt, [13, 2, -1]) # ERROR!
數據類型
除了維度，張量有一個數據類型。
tf.Tensor不能有多個數據類型。但是，可以將任意數據結構序列化為string並存儲在tf.Tensor。
可以使用tf.cast將tf.Tensor從一個數據類型強製轉為到另一個：
# Cast a constant integer tensor into floating point.
float_tensor = tf.cast(tf.constant([1, 2, 3]), dtype=tf.float32)
要查看tf.Tensor的數據類型，使用Tensor.dtype屬性。
當從一個python對象創建一個tf.Tensor，你可以選擇指定數據類型。如果你不這樣做，TensorFlow會選擇一個可以表示數據的數據類型。 TensorFlow將Python整數轉換為tf.int32，將python浮點數字轉為tf.float32。否則，TensorFlow在轉換為數組時使用與numpy相同的規則。
張量求值
一旦計算圖已經建立，你可以運行計算產生一個特定的tf.Tensor並獲取分配給它的值。這對於調試以及大部分TensorFlow工作都是非常有用的。
張量取值的最簡單的方法是使用Tensor.eval方法。例如：
constant = tf.constant([1, 2, 3])
tensor = constant * constant
print tensor.eval()
該eval方法隻在默認的tf.Session處於活動狀態時有效。
Tensor.eval返回與張量相同內容的numpy數組。
有時沒有上下文不可能評估一個tf.Tensor，因為它的值可能取決於不可用的動態信息。例如，張量依賴於Placeholder，沒有給Placeholder提供價值就不能評估。
p = tf.placeholder(tf.float32)
t = p + 1.0
t.eval() # This will fail, since the placeholder did not get a value.
t.eval(feed_dict={p:2.0}) # This will succeed because we're feeding a value
# to the placeholder.
其他模型的構造可能會導致tf.Tensor的求值變複雜。 TensorFlow無法直接評估在內部函數或內部控製流構造中定義的tf.Tensor。如果一個tf.Tensor依賴隊列中的值，隻在有東西入隊才能工作評估tf.Tensor;否則，評估會掛起。在處理隊列時，在評估tf.Tensor之前，要調用tf.train.start_queue_runners。
打印張量
出於調試的目的，你可能想打印一個tf.Tensor的值。tfdbg提供高級的調試支持，TensorFlow也有一個操作可以直接打印tf.Tensor的值。
請注意，打印tf.Tensor時很少使用以下模式：
t = <<some tensorflow operation>>
print t # This will print the symbolic tensor when the graph is being built.
# This tensor does not have a value in this context.
此代碼打印tf.Tensor對象(表示延遲計算)而不是它的值。相反，TensorFlow提供了tf.Print操作，它返回其第一個tf.Tensor參數，並打印第二個tf.Tensor集合參數。
要正確使用tf.Print，它的返回值必須被使用。看下麵的例子
t = <<some tensorflow operation>>
tf.Print(t, [t]) # This does nothing
t = tf.Print(t, [t]) # Here we are using the value returned by tf.Print
result = t + 1 # Now when result is evaluated the value of `t` will be printed.