如何理解tensorflow中的dimension

基本使用
使用 TensorFlow, 你必须明白 TensorFlow:
使用图 （graph） 来表示计算任务。
在被称之为 会话 （Session） 的上下文 （context） 中执行图。
使用 tensor 表示数据。
通过 变量 （Variable） 维护状态。
使用 feed 和 fetch 可以为任意的操作（arbitrary operation） 赋值或者从其中获取数据。
综述
TensorFlow 是一个编程系统， 使用图来表示计算任务。 图中的节点被称之为 op
（operation 的缩写）。 一个 op 获得 0 个或多个 Tensor, 执行计算，
产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组。
例如， 你可以将一小组图像集表示为一个四维浮点数数组，
这四个维度分别是 [batch, height, width, channels].
一个 TensorFlow 图描述了计算的过程。 为了进行计算， 图必须在 会话 里被启动。
会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上， 同时提供执行 op 的方法。
这些方法执行后， 将产生的 tensor 返回。 在 Python 语言中， 返回的 tensor 是
numpy ndarray 对象； 在 C 和 C++ 语言中， 返回的 tensor 是
tensorflow::Tensor 实例。
计算图
TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。 在构建阶段， op 的执行步骤
被描述成一个图。 在执行阶段， 使用会话执行执行图中的 op.
例如， 通常在构建阶段创建一个图来表示和训练神经网络， 然后在执行阶段反复执行图中的训练 op.
TensorFlow 支持 C, C++, Python 编程语言。 目前， TensorFlow 的 Python 库更加易用，
它提供了大量的辅助函数来简化构建图的工作， 这些函数尚未被 C 和 C++ 库支持。
三种语言的会话库 （session libraries） 是一致的。
构建图
构建图的第一步， 是创建源 op （source op）。 源 op 不需要任何输入， 例如 常量 （Constant）。 源 op 的输出被传递给其它 op 做运算。
Python 库中， op 构造器的返回值代表被构造出的 op 的输出， 这些返回值可以传递给其它
op 构造器作为输入。
TensorFlow Python 库有一个默认图 （default graph）， op 构造器可以为其增加节点。 这个默认图对
许多程序来说已经足够用了。 阅读 Graph 类 文档