Python中的list/tuple，numpy中的ndarrray與tensorflow中的tensor。
用python中list/tuple理解，僅僅是從內存角度理解一個序列數據，而非數學中標量，向量和張量。
從python內存角度理解，就是一個數值，長度為1，並且不是一個序列；
從numpy與tensorflow數學角度理解，就是一個標量，shape為()，其軸為0；
[1,2,3,4,5,6]
從python內存角度理解，就是1*6或者長度為6的一個序列；
從numpy與tensorflow數學角度理解，就是一維向量，並且是列向量，shape為(6,)，其軸為1；注：一維向量，列向量，其軸為1，軸下標為0，表示第一個軸；
[[1,2,3], [4,5,6]]
從python內存角度理解，就是一個二維數組2*3，2列3行；注意：不管python還是numpy/tensorflow都是列在前，即一個向量默認為列向量；
從numpy/tensorflow數學角度理解，就是一個二維張量，shape為(2,3)，其軸為2；注：二維向量，第一個軸為列，下標為0，第二個軸為行，下標為1；
例子：
import os, sys
import numpy
import tensorflow as tf
a = [[1,2,3],[4,5,6]]
b = tf.Variable(a, dtype=tf.float32)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
d1 = tf.reduce_mean(b)
d2 = tf.reduce_mean(b, 0)
d3 = tf.reduce_mean(b, 1)
sess.run([b, b[0,:], b[:, 0]])
# [array([[ 1., 2., 3.],
# [ 4., 5., 6.]], dtype=float32),
# array([ 1., 2., 3.], dtype=float32),
# array([ 1., 4.], dtype=float32)]
sess.run([d1, d2, d3])
# [3.5,
# array([ 2.5, 3.5, 4.5], dtype=float32),
# array([ 2., 5.], dtype=float32)]
注：
[b, b[i,:], b[:, i]]
b[i,:]: 表示b矩陣第一個軸(列)，第i列對應所有元素；
b[:,i]: 表示b矩陣第二個軸(行)，第i行對應所有元素；
d1=tf.reduce_mean(b): 表示對矩陣所有元素進行均值；
d2=tf.reduce_mean(b, 0)：表示對矩陣進行第一個軸(列)方向上的投影，即每一行上的均值；
d3=tf.reduce_mean(b, 1)：表示對矩陣進行第二個軸(行)方向上的投影，即每一列的均值；
查看這個網址：http://www.cnblogs.com/silence-tommy/p/6554986.html
這個網址上說的有問題：
tf.reduce_mean(x) ==> 2.5 #如果不指定第二個參數，那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二個參數為0，則第一維的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5, 3.5] #指定第二個參數為1，則第二維的元素取平均值，即每一行求平均值
這兩句下划線的標注，是錯誤的。顯然沒有理解對於矩陣軸的概念；
(不好意思，這個網址博主，僅僅是看到了，所以僅僅從開發角度分析了下，並非故意，敬請諒解！)