tensorの生成

tensorとは行列のようなもので以下のように宣言します。
[1, 2, 3]

コードにすると

tf_01.py

import tensorflow as tf
x = tf.constant([1,2,3])
print x      #tensor情報の出力

sess = tf.Session()
print sess.run(x) #tensor自体の出力

実行結果

$ python tf_01.py
Tensor("Const:0", shape=(3,), dtype=int32)
[1 2 3]

x = tf.constant([1,2,3])
この行にtensorを指定します。いろいろ試してみてください

x = tf.constant([[1,2,3], [4,5,6], [7,8,9,], [0,2,3]])
とすると

実行結果

Tensor("Const:0", shape=(4, 3), dtype=int32)
[[1 2 3]
 [4 5 6]
 [7 8 9]
 [0 2 3]]

x = tf.constant([[1,2,3], [4,5,6], [7,8,9,], [0,2,3], [9,8]])
のように中途半端なtensorはエラーになるので、どのような場合にエラーになるかならないか色々調べるのも良いでしょう。

rank

tensorにはrankという概念があります。数学でもrank(階数)が出てきますが、数学のそれとは少し異なります。
[ ]のネストの数がrankです。つまり

rank = 1
x = tf.constant([1,2,3])

rank = 2
x = tf.constant([[1,2,3], [4,5,6], [7,8,9,], [0,2,3]])

rank = 3
x = tf.constant([ [[1,2], [3,4]], [[5,6], [7,8]] ]
x = tf.constant([[[1]]]) これも３段入れ子なのでrank = 3

[ ]のネスト(入れ子)が何段になっているか数えます。
tf_01.pyの最後にprint sess.run(tf.rank(x))を追加するとrankも計算してくれます。

shape

最後にshapeです。shapeはtensorの形を示します。

先ほどの実行結果にこのようなものがありましたね。
shape=(4, 3)がまさにshapeを表しています。
行列のように考えるとこれは4x3なのでshape=(4, 3)です。

また2段目の[ ]が4つ、その中に要素が3つあるのでshape=(4, 3)と考える事もできます。

実行結果

Tensor("Const:0", shape=(4, 3), dtype=int32)
[[1 2 3]
 [4 5 6]
 [7 8 9]
 [0 2 3]]

1次元目の要素数、2次元目の要素数、n次元目の要素数と数えます。
外側から[ ]の数を数えていき、最終的には[ ]の中身の要素数を数える事もできます。

もう1つ例です。

tf_02.py

import tensorflow as tf
x = tf.constant([ [[1,2], [3,4], [5,6]], [[7,8], [9,10], [11, 12]]])
print x

sess = tf.Session()
print sess.run(x)
print sess.run(tf.rank(x))

実行結果

Tensor("Const:0", shape=(2, 3, 2), dtype=int32)
[[[ 1  2]
  [ 3  4]
  [ 5  6]]

 [[ 7  8]
  [ 9 10]
  [11 12]]]
3

1次元目の要素数 = 2　　//2段目[ ]が何個あるか
2次元目の要素数 = 3 　　//3段目[ ]が何個あるか
3次元目の要素数 = 2 　　//3段目[ ]内の要素数

tensorflowは現在勉強中で間違い等あるかもしれません。
以上