Tensor
Tensor是TensorFlow对矢量和矩阵的一种高维度的泛化。它与传统编程语言中的数据类型是有区别的，它更像是一种计算中使用的节点，只有在计算（运行）时，才会将数据流入。在TensorFlow中，Tensor使用tf.Tensor来定义，tf.Tensor有两个很重要的属性：数据类型（dtype, 例如 tf.float32、tf.int32或tf.string）和形状（shape，例如shape=(2,2)）。
tf.Tensor所包含的主要的Tensor有四种：tf.constant，tf.Variable，tf.placeholder与tf.SparseTensor。在这四种变量中，只有tf.Variable的值是可以改变的，因此在运行过程中只能使用tf.Variable来表示中间结果。
tf.Tensor的阶（Rank）表示了该对象的维度，而不同的阶表示的是不同的数学量，具体的含义如下表所示：
1. tf.constant
tf.constant表示的是一个常量（张量），在定义时需要进行初始化（如下所示），在计算过程中它的值不能发生改变。要注意的是，它虽然表示的是常量，但只有在运行时才会给它赋初值。
c1 = tf.constant([1,2,3,4], shape=[2,2], dtype=tf.int32)
print(c1)
如下输出结果所示，如果直接进行输出，只会显示出该张量的一些属性信息。
Tensor("Const:0", shape=(2, 2), dtype=int32)
只有在运行时，才可以查看该张量的值，具体运行方法如下：首先定义一个会话sess，然后使用会话sess的run方法运行。
sess = tf.Session()
print(sess.run(c1))
最终的输出结果如下所示：
[[1 2]
[3 4]]
2. tf.Variable
tf.Variable是一种变量（张量），它的值在运行过程中可以改变，因此模型参数的类型一般都为tf.Variable。tf.Variable的获取有两种方式：第一种是使用tf.Variable()直接定义变量，需要在定义中指定变量的初值和变量所代表的数据类型（如，tf.float32, tf.int32）；
v2 = tf.Variable(3.14, tf.float32)
print(v2)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(v2))
输出结果如下所示：
<tf.Variable 'Variable_1:0' shape=() dtype=float32_ref>
3.14
第二种方式是使用tf.get_variable()来获取一个tf.Variable变量，需要指定变量名，形状，类型，以及初始化相关的量。
v3 = tf.get_variable("v2", shape=[2,2,3], dtype=tf.int32, initializer=tf.zeros_initializer)
v4 = tf.get_variable("v4", dtype=tf.int32, initializer=tf.constant([3,5,7,9], shape=[2,2]))
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(v3))
print(v4.eval(sess))
输出结果如下所示：
[[[0 0 0]
[0 0 0]]
[[0 0 0]
[0 0 0]]]
[[3 5]
[7 9]]
要注意的是，在使用tf.Variable变量时，首先要使用初始化函数将tf.Variable变量进行初始化。一种简单的方式如上所示，使用sess.run(tf.global_variables_initializer())进行所有的tf.Variable变量的初始化。
3. tf.placeholder
tf.placeholder是一种可以在运行时指定初值的张量，如在训练一个模型时，可以使用tf.placeholder类型的数据来动态的指定训练集。该类型的数据定义和初始化如下所示：首先定义一个tf.placeholder量，指定其数据类型和形状；在运行时，通过一个feed_dict的参数来指定其初值。
p1 = tf.placeholder(tf.float32, shape=(2,2))
data1 = [[1,2], [3,4]]
sess = tf.Session()
print(sess.run(p1, feed_dict={p1: data1}))
输出结果如下所示：
[[1. 2.]
[3. 4.]]
4. tf.SparseTensor
tf.SparseTensor是一种用来表示稀疏张量的类型，如果需要定义一个如下的张量，
[[1 0 0 0]
[0 0 2 0]
[0 0 0 0]]
则可以通过一个tf.SparseTensor来表示。tf.SparseTensor类型的张量是通过指定索引值所对应数值的方式来进行初始化的。如果要将该张量输出为一个完整的形式时，需要使用tf.sparse_tensor_to_dense()来实现。
s = tf.SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4])
sess = tf.Session()
print("Sparse:")
print(sess.run(s))
print("Dense:")
print(sess.run(tf.sparse_tensor_to_dense(s)))
输出结果如下所示：
Sparse:
SparseTensorValue(indices=array([[0, 0],
[1, 2]], dtype=int64), values=array([1, 2]), dense_shape=array([3, 4], dtype=int64))
Dense:
[[1 0 0 0]
[0 0 2 0]
[0 0 0 0]]