什么是tensorflow中张量的形状？它代表什么？

我读了这篇文章，我理解的是张量的形状是张量每个维度上的元素数量，但在第一个代码片段中：

[[1., 2., 3.], [4., 5., 6.]] # 一个rank 2的张量；一个形状为[2, 3]的矩阵

它说形状是2和3，但在张量的第一个维度上有三个元素而不是2，这是为什么？

回答：

形状是维度的大小。

[[1., 2., 3.], [4., 5., 6.]] # 一个rank 2的张量；一个形状为[2, 3]的矩阵

因为它有2行和3列。所以这不是关于元素，而是每个维度的大小。因此，rank是维度的数量，而形状是维度的大小。

如果你看下一个例子

[[[1., 2., 3.]], [[7., 8., 9.]]] # 一个rank 3的张量，形状为[2, 1, 3]

它有2行，在这个维度上有1组元素，以及3列。

这个资源可能会有所帮助 https://www.tensorflow.org/versions/r1.1/programmers_guide/dims_typeshttps://www.gsrikar.com/2017/06/what-is-tensor-rank-and-tensor-shape.html