在Tensorflow中所有的数据都是使用tensor来描述的，不管是变量，常量，placeholder等都是一个tensor，tensor的中文翻译是张量，也就是我们在进行tensorflow编程的时候所有的输入输出都是一个tensor，这一点非常重要的。   下图是Tensorflow官方文档中的说明     从中可以看出我们使用python编程中  
  • s=483. 这样的简单变量，在Tensor中被描述为一个Rank=0的tensor
  • v=[1.1,2.2,3.3]. 这种列表，在数学概念上是一种向量，而的tensorflow则被描述为Rank=1的tensor
  • m=[[1,2,3],[4,5,6],[7,8,9]]，这种在数学上称之为矩阵的，在tensorflow中被描述为Rank=2的tensor
  • tensor的Rank可以是等于3或者更高的数值
  • Rank可以理解为tensor的维度，Rank越大Tensor就越复杂，所包含的信息量就越大
  tensor中的每个元素可以被是各种数据类型，tensorflow中已经定义了15种基本的数据类型     定义rank=0的常量   
node1 = tf.constant(3.0, tf.float32)
  placeholder可以传递Rank=0或者Rank=1的输入参数   
a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
adder_node=a+b

print(sess.run(adder_node,{a:5,b:7}))
print(sess.run(adder_node,{a:[6,9],b:[9,7]}))
  下面一段代码可以做为一个完整的练习，去理解tensor   
import tensorflow as tf
import numpy as np

node1 = tf.constant(3.0, tf.float32)  # create a constant
node2 = tf.constant(4.0)

print(node1, node2)  ##just print the node type

sess = tf.Session()
print(sess.run(node1), sess.run(node2))  ## print the node value

node3 = tf.add(node1, node2)
print("node3: ", node3)
print("sess.run node3:", sess.run(node3))


a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
adder_node=a+b

print(sess.run(adder_node,{a:5,b:7}))
print(sess.run(adder_node,{a:[6,9],b:[9,7]}))

c=tf.placeholder(tf.float32)

adder_and_triple= adder_node*c
print(sess.run(adder_and_triple,{a:[8,9],b:[1,6],c:3}))
  执行完会输出如下内容：   
3.0 4.0
node3:  Tensor("Add:0", shape=(), dtype=float32)
sess.run node3: 7.0
  可以看到执行如下这一句   
print("node3: ", node3)
  输出的结果是一个Tensor结构的描述   
node3:  Tensor("Add:0", shape=(), dtype=float32)