1.张量
标量：单个的实数。(如1.2，3.4，维度数为0)
向量：n个实数的有序集合(如[1.2]，[1.2,3.4])
矩阵：n行m列实数的集合(如[[1,2],[3,4]])
张量：维度数>2的数组统称为张量，如[2,32,32,3]为4维的对应数组。
虽然标量、矩阵向量维度数有时候不足2，但是在tensorflow之中，标量、向量和矩阵统称为张量

2.字符串
初始化数组：a = tf.constant(‘Hello,Deep Learning.’)创建字符串
tf.strings.lower(a)：小写化字符串

3.布尔值
a = tf.constant(True)
如果使用a is True的时候会返回False(因为里面是与python布尔类型进行比较的)
如果使用a == True的比较会返回True，因为这是仅数值方面的比较
a = tf.constant([True,False])

4.int、float类型数据
tf.constant(123456789,dtype=tf.int16) 数据精度过低，数据123456789发生溢出
tf.constant(123456789,dtype=tf.int32) 数据精度较为合适
tf.constant(np.pi,dtype=tf.float32) 使用32位浮点数据
tf.constant(np.pi,dtype=tf.float64) 使用64位浮点数据
a = tf.constant(123456789,dtype=tf.int32)
tf.cast(a,tf.int16) 转换为低精度整型
a = tf.constant([-1,0,1,2])
tf.cast(a,tf.bool) 整型转换为布尔类型，通过tf.Variable()可以将普通张量转换为待优化的张量
0表示False，非0数字表示True
a = tf.constant([-1,0,1,2]) TF张量
aa = tf.Variable(a) 转换为Variable类型，很多语言都是通过python语言将数据加载至Array或List容器，再转换为Tensor类型
通过tf.convert_to_tensor可创建新的Tensor,并将python中List对象或Numpy Array对象中的数据导入到新Tensor中。

5.初始化全0、全1的矩阵或张量
tf.convert_to_tensor([1,2.])
tf.convert_to_tensor(np.array([[1,2.],[3,4]])
创建全0或全1的张量 tf.zeros([]) 创建全0的张量 tf.ones([]) 创建全1的张量
tf.ones([3,2]) 创建全1矩阵，指定shape为3行2列
a = tf.ones([2,3]) 创建一个矩阵
tf.zeros_like(a) 创建一个与a形状先相同，但是全0的新矩阵

6.tf.random.normal(shape,mean=0.0,stddev=1.0)可以创建形状为shape,均值为mean,标准差为stddev的正态分布N(mean,stddev^2)。
例如，创建均值为0，标准差为1的正态分布(随机生成四个数放入2*2的矩阵中，它们的均值为0，标准差为1)
tf.random.normal([2,2],mean=1,stddev=2)
创建均值为1，标准差为2的正态分布