计算模型
例子：
import tensorflow as tf
# tf.constant是一个计算，这个计算的结果为一个张量，保存在变量a中。
a = tf.constant([1.0,2.0], name="a")
b = tf.constant([2.0,3.0], name="b")
result = tf.add(a,b,name="add")
print(result)
输出结果：
Tensor("add:0", shape=(2,), dtype=float32)
从结果可以看出，一个张量中主要保存的了三个属性：名字(name)、维度(shape)和类型(type)
name
张量的命名形式：node:src_output
其中node为节点的名称，src_output表示当前张量来自节点的第几个输出。比如上面打印出来的“add:0"就说明result这个张量是计算节点”add“输出的第一个结果
shape
该属性描述了一个张量的维度信息，比如上面样例中shape=(2,)说明张量result是一个长度为2的一维数组。
type
每一个张量会有一个唯一的类型，运行时Tensorflow会对参与运算的所有张量进行类型的检查，当发现类型不匹配时会报错，比如下面这段程序：
import tensorflow as tf
a = tf.constant([1, 2], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
报错：
ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b:0", shape=(2,), dtype=float32)'
如果将一个加数指定成实数类型就不会出错了
a = tf.constant([1, 2], name="a", dtype=tf.float32)
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
为了避免导致类型不匹配的问题，建议通过dtype来明确指定变量或常量的类型
数据模型
张量使用主要可以归结为两大类
对中间结果的引用
# 使用张量记录中间的结果
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b
# 直接计算向量的和，这样可读性性会变差
result = tf.constant([1.0, 2.0], name="a") + tf.constant([2.0, 3.0], name="b")
获取计算图的结果
当计算图构造完成之后，张量可以用来获的计算结果，可以通过会话（Session）得到真实数字，代码如下
tf.Session().run(result)
