张量（tensor）可以说是TensorFlow的标志， 因为整个框架的名称TensorFlow就是张量流的意思。
TensorFlow程序使用tensor数据结构来代表所有的数据。 计算图中， 操作间传递的数据都是Tensor。
可以把tensor看为一个n维的数组或列表， 每个tensor中包含了类型（type） 、 阶（rank） 和形状（shape） 。
张量（tensor）类型与Python类型放一起做个比较：rank（阶） 指的就是
维度。 张量的阶和矩阵的阶并不是同一个概念， 主要是看有几层中括号。 例如， 对于一个传统意义上的3阶矩阵a=[[1， 2， 3]， [4， 5， 6]， [7， 8， 9]]来讲， 在张量中的阶数表示为2阶（因为它有两层中括号） 。
张量类型
张量的相关操作包括类型转换、 数值操作、形状变换和数据操作。
类型转换
类型转换相关函数
数值操作
数值操作
形状变换
形状变换
数据操作
数据操作
算术操作
算术操作
矩阵相关的运算
矩阵相关操作函数
复数操作函数
复数操作函数
规约计算
规约计算的操作都会有降维的功能， 在所有reduce_xxx系列操作函数中， 都是以xxx的手段降维， 每个函数都有axis这个参数， 即沿某个方向， 使用xxx方法对输入的Tensor进行降维。
规约计算函数
分割
分割操作是TensorFlow不常用的操作， 在复杂的网络模型里偶尔才会用到。
分割相关函数
序列比较与索引提取
序列比较与索引提取相关函数
错误类
作为一个完整的框架， 有它自己的错误处理。TensorFlow中的错误类如下表所示， 该部分不常用， 可以作为工具， 使用时查询一下即可。
错误类
参考：
《深度学习之TensorFlow入门、原理与进阶实战》
