Tensor代表最底层的数据结构，所有的数据都是以Tensor的形式存储。Tensor可以看作一个带类型的多维数组，类型不可修改但维度可以修改。在计算图中，一个Op操作返回一个或多个Tensor作为输出，另一个Op操作读入这些Tensor进行计算，从而将整个计算图中的Op操作连接起来。

Tensor类似于Caffe中的Blob，不过与Blob不同的是，对于一张图片，Tensor的四个维度分别是[batch, height, width, channel]，而Blob的为[batch, channel, height, width]。

所有使用Tensor的地方都可以使用能被tf.convert_to_tensor接受的python对象。

在Session运行前Tensor都是不存在的，只有运行Session后才能访问Tensor中的数据。

一般不直接生成Tensor对象，而是使用一个Op操作返回的Tensor对象。

使用t[i, j, k]可以访问Tensor的元素。

# c, d, e 都是Tensor对象
c = tf.constant([[1.0, 2.0], [3.0, 4.0]])
d = tf.constant([[1.0, 1.0], [0.0, 1.0]])
e = tf.matmul(c, d)
sess = tf.Session()
result = sess.run(e)

属性

• name：名称。默认的name是产生该Tensor的Op的name加上该Tensor的序号（从0开始），如：conv1/split:1
• dtype：Dtype类型
• shape：一个tf.TensorShape对象，保存Tensor的大小。也可以使用python list/tuple表示
• device：所在设备名称
• op：产生该Tensor的Operation
• value_index：该Tensor在产生它的Operation中的序号
• graph：所在的Graph

方法

• __init__(op, value_index, dtype)：使用一个op生成一个Tensor，返回该op生成的Tensor列表的value_index位置的Tensor
• consumers()：返回使用该Tensor的Operation的列表
• eval(feed_dict=None, session=None)：计算该Tensor的值，它依赖的Op也会被计算，等价于sess.run(tensor)。此时该Tensor所在的Graph必须已经在某个Session中加载。返回该Tensor的值的numpy array对象。
• get_shape()：返回Tensor.shape
• set_shape(shape)：更新shape

Tensor的数据类型

参考资料

• 简要说明：https://www.tensorflow.org/programmers_guide/dims_types
• API：https://www.tensorflow.org/api_docs/python/tf/Tensor