核心要点
TF 张量是不可变多维数组
理解 rank、shape、dtype
知道 Variable 可变用于训练
能创建 constant、zeros、convert
简要回答
TensorFlow 张量是不可变的多维数组，是计算图中的基本数据单元，具有 shape、dtype 和 device 属性；训练参数用 tf.Variable 表示可变张量。
标准回答
一、先把结论讲清楚
在 TensorFlow 中，Tensor 是不可变的多维数组，是计算的基本单元（类似 NumPy ndarray + 元数据）。
二、属性
- rank（阶）：维度数，标量 rank=0，向量 rank=1
- shape：各维大小，如 (batch, 28, 28, 3)
- dtype：float32、int64 等
- device：/CPU:0、/GPU:0
三、创建
示例代码可以这样理解：
tf.constant([[1, 2], [3, 4]])
tf.zeros([2, 3])
tf.random.normal([batch, dim])
tf.convert_to_tensor(numpy_arr)
面试里不要只停在公式或名词，可以补 TensorFlow 中的张量是什么 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。
四、Tensor vs Variable
| Tensor | Variable | |
|---|---|---|
| 可变性 | 不可变 | 可变（训练权重） |
| 用途 | 数据、中间结果 | 模型参数 |
| Eager 模式下运算立即求值；@tf.function 中张量在图中流动。与 PyTorch 张量概念对应，API 命名略有不同。 |
回答思路
【定义】用一句话说清「TensorFlow 中的张量」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
延伸学习
工具：TensorFlow。知识库：深度学习基础。术语：神经网络。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：试图 inplace 改 constant；混淆 Tensor 与 Variable；shape 与 batch 维搞错。
追问
追问 1：Tensor 不可变如何「更新」权重？
权重是 tf.Variable，用 assign、optimizer.apply_gradients 更新；普通 Tensor 每次运算产生新 Tensor，符合函数式语义。
追问 2：ragged tensor 是什么？
变长序列不用 padding 浪费的计算类型，每行长度可不同，适合 NLP 变长文本；tf.RaggedTensor。
追问 3：Eager Tensor 和 Graph Tensor？
TF 2 默认 EagerTensor 有 numpy() 值；图模式中 Tensor 是符号句柄，须 Session/run 求值。2.x 以 Eager 为主。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
