tensorflow 使用一种叫 tensor 的数据结构去展示所有的数据，我们可以把 tensor 看成是 n 维的 array 或者 list。在 tensorflow 的各部分图形间流动传递的只能是tensor。
rank
rank 就是 tensor 的维数。
例如我们所说的标量(Scalar)：
s = 8 维数为 0，所以它的 rank 为 0。
例如矢量(Vector)：
v = [1, 2, 3]，rank 为 1。
例如矩阵(Matrix)：
m = [
[1, 1, 1],
[2, 2, 2],
[3, 3, 3]
] # rank 为 2
又例如 rank 为 3 的 tensor：
t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
依次类推……
shape
tensorflow 用 3 种方式描述一个 tensor 的维数：
rank, shape, 以及 dimension number (维数)
所以 shape 和 rank 的意思的一样的，只是表达的形式不同。
| rank | shape | dimension |
|---|---|---|
| 0 | [] | 0 维 |
| 1 | [D0] | 1 维 |
| 2 | [D0, D1] | 2 维 |
| n | [D0, D1, ..., Dn-1] | n 维 |
shape 写成只包含整数的 list 或者 tuple 形式，例如 [1, 4, 2]
data type
tensor 的数据结构除了 维数(dimensionality)，还有 数据类型(data type)。
例如 32位浮点数(32 bits floating point) 等等，可以从下面的链接中查看完整的：
https://www.tensorflow.org/programmers_guide/dims_types#data_types
