我是TensorFlow的新手。在阅读现有文档时，我发现tensor这个术语非常令人困惑。因此，我需要澄清以下几个问题：

1. tensor与Variable、tensor与tf.constant、’tensor’与tf.placeholder之间的关系是什么？
2. 它们都是张量的类型吗？

回答：

TensorFlow没有一级张量对象，这意味着在运行时执行的基础图中没有Tensor的概念。相反，图由相互连接的操作节点组成，代表操作。一个操作会为其输出分配内存，这些输出在端点:0、:1等处可用，您可以将每个这些端点视为一个Tensor。如果您有一个对应于nodename:0的tensor，您可以通过sess.run(tensor)或sess.run('nodename:0')获取其值。执行的粒度发生在操作级别，因此run方法将执行操作，这将计算所有的端点，而不仅仅是:0端点。可能存在没有输出的操作节点（如tf.group），在这种情况下，没有与之关联的张量。没有底层操作节点是不可能有张量的。

您可以通过执行以下操作来检查基础图中发生的情况

tf.reset_default_graph()value = tf.constant(1)print(tf.get_default_graph().as_graph_def())

因此，使用tf.constant您会得到一个单一的操作节点，您可以使用sess.run("Const:0")或sess.run(value)来获取它

同样，value=tf.placeholder(tf.int32)创建一个名为Placeholder的常规节点，您可以将其作为feed_dict={"Placeholder:0":2}或feed_dict={value:2}输入。您不能在同一个session.run调用中同时输入和获取占位符，但您可以通过在其上附加一个tf.identity节点并获取该节点来查看结果。

对于变量

tf.reset_default_graph()value = tf.Variable(tf.ones_initializer()(()))value2 = value+3print(tf.get_default_graph().as_graph_def())

您会看到它创建了两个节点Variable和Variable/read，这两个节点的:0端点都是有效的值可以获取。然而，Variable:0具有特殊的ref类型，意味着它可以用作变异操作的输入。Python调用tf.Variable的结果是一个PythonVariable对象，并且有一些Python魔法来根据是否需要变异来替换Variable/read:0或Variable:0。由于大多数操作只有一个端点，:0会被省略。另一个例子是Queue —— close()方法将创建一个新的Close操作节点，该节点连接到Queue操作。为了总结 —— 对像Variable和Queue这样的Python对象的操作会根据使用情况映射到不同的底层TensorFlow操作节点上。

对于像tf.split或tf.nn.top_k这样的操作，它们创建具有多个端点的节点，Python的session.run调用会自动将输出包装在tuple或collections.namedtuple中的Tensor对象中，这些对象可以单独获取。