正如其他人已经提到的，是的，它们都是张量。

我理解这些的方式是首先可视化和理解1D，2D，3D，4D，5D和6D张量，如下图所示。 （来源： knoldus ）

现在，在TensorFlow的上下文中，您可以想象一个如下的计算图，

这里， Op取两个张量a和b作为输入 ；将张量与其自身相乘 ，然后将这些相乘的结果相加以产生结果张量t3 。这些乘法和加法 Op发生在计算图中的节点上。

并且这些张量a和b可以是恒定张量，可变张量或占位符。没关系，只要它们具有相同的数据类型和兼容的形状（或能够broadcast ）即可实现操作。

TensorFlow没有一流的Tensor对象，这意味着在运行时执行的基础图中没有Tensor概念。相反，该图由相互连接的op节点组成，代表操作。一个操作为其输出分配内存，这些输出可用于端点:0 ， :1等，并且您可以将这些端点中的每一个视为Tensor 。如果您具有与nodename:0对应的tensor ，则可以将其值获取为sess.run(tensor)或sess.run('nodename:0') 。执行粒度发生在操作级别，因此run方法将执行op，该op将计算所有端点，而不仅仅是:0端点。可能有一个没有输出的Op节点（例如tf.group ），在这种情况下，没有与之关联的张量。没有基础Op节点的张量是不可能的。

您可以通过执行以下操作来检查基础图中发生了什么

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

因此，使用tf.constant可以得到一个操作节点，可以使用sess.run("Const:0")或sess.run(value)来获取它。

类似地， 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} 。您不能在同一session.run调用中提供和获取占位符，但可以通过在顶部附加一个tf.identity节点并获取该结果来查看结果。

对于变量

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

您将看到它创建了两个节点Variable和Variable/read ，终点:0是在这两个节点上均可获取的有效值。但是Variable:0具有特殊的ref类型，这意味着它可用作变异操作的输入。 Python调用tf.Variable的结果是一个Python Variable对象，根据是否需要进行突变，有一些Python魔术来替代Variable/read:0或Variable:0 。由于大多数操作只有1个端点，因此:0被丢弃。另一个例子是Queue - close()方法将创建一个新的Close op节点，该节点连接到Queue op。总而言之-根据用途，对python对象（如Variable和Queue映射到不同的基础TensorFlow op节点。

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

从词汇表 ：

张量是一种类型化的多维数组。例如，浮点数的4-D数组表示尺寸为[批处理，高度，宽度，通道]的图像的微型批处理。

基本上，每个数据都是TensorFlow中的Tensor（因此得名）：

• 占位符是可以feed_dict提供值的feed_dict （使用sess.run()的feed_dict参数）
• 变量是可以更新的张量（使用var.assign() ）。从技术上讲， tf.Variable不是一个子类tf.Tensor虽然
• tf.constant只是最基本的Tensor，其中包含创建时给出的固定值

但是，在图中，每个节点都是一个操作，可以将张量作为输入或输出。