Tensor(tf.Tensor)

Tensor类应该是最基本最核心的数据结构了，他表示的是一个操作的输出，但是他并不接收操作输出的值，而是提供了在TensorFlow的Session中计算这些值的方法。
Tensor类主要有两个目的：

1.一个Tensor能够作为一个输入来传递给其他的操作（Operation），由此构造了一个连接不同操作的数据流，使得TensorFLow能够执行一个表示很大，多步骤计算的图。
2.在图被“投放”进一个Session中后，Tensor的值能够通过把Tensor传到Seesion.run（）这个函数里面去得到结果。相同的，也可以用t.eval（）这个函数，其中的t就是你的tensor啦，这个函数可以算是tf.get_default_session().run(t)的简便写法。

a=tf.constant([[1,2],[3,4]])
print(a)
输出：
Tensor("Const_1:0", shape=(2, 2), dtype=int32)

属性：

device:表示tensor将被产生的设备名称
dtype：tensor元素类型
graph：这个tensor被哪个图所有
name:这个tensor的名称
op：产生这个tensor作为输出的操作（Operation）
shape：tensor的形状（返回的是tf.TensorShape这个表示tensor形状的类）
value_index:表示这个tensor在其操作结果中的索引

函数：
tf.Tensor.consumers()：

作用：返回消耗这个tensor的操作列表

tf.Tensor.eval(feed_dict=None, session=None)：

作用：
在一个Seesion里面“评估”tensor的值（其实就是计算），首先执行之前的所有必要的操作来产生这个计算这个tensor需要的输入，然后通过这些输入产生这个tensor。在激发tensor.eval()这个函数之前，tensor的图必须已经投入到session里面，或者一个默认的session是有效的，或者显式指定session.

参数： feed_dict:一个字典，用来表示tensor被feed的值（联系placeholder一起看） session:（可选）
用来计算（evaluate）这个tensor的session.要是没有指定的话，那么就会使用默认的session。

返回： 表示“计算”结果值的numpy ndarray

tf.Tensor.get_shape()

作用：
返回tensor的形状，类型是TensorShape。这个函数不用把图“投放”到session里面运行就能够得到形状，一般用来debug和得到一些早期的错误信息等等。

a = tf.constant([[1,2,1],[2,3,4]])
print(a.get_shape())
输出：(2, 3)

tf.Tensor.set_shape(shape)

作用：
设置更新这个tensor的形状