对输入或输出而言：
一个张量的形状为a x b x c x d，实际写出这个张量时：
最外层括号[…]表示这个是一个张量，无别的意义！
次外层括号有a个，表示这个张量里有a个样本
再往内的括号有b个，表示每个样本的长
再往内的括号有c个，表示每个样本的宽
再往内没有括号，也就是最内层的括号里的数有d个，表示每个样本的深度为d
tf.nn.conv2d(), tf.reshape()等都是这样表示
给一个具体的张量，求这个张量的a,b,c,d值时，首先忽略最外层的括号，再数次外层括号个数(a)，再往内(b)，再往内(c)，最后看最里层的括号内有几个数(d)（各数代表各深度层的值）。
如：
Tensor = tf.constant([[[[1],[2],[ 3]],[[4],[5],[6 ]],[[ 7],[8],[9]]]]) # 也可以不写逗号
# Tensor.shape = (1, 3, 3, 1)
形状为(1, 3, 3, 1)
（看着容易眼花，所以一般竖着写）
Tensor2 = tf.constant([[[[1],[2],[ 3]],[[4],[5],[6 ]],[[ 7],[8],[9]]], [[[1],[2],[ 3]],[[4],[5],[6 ]],[[ 7],[8],[9]]]])
# Tensor2.shape = (2, 3, 3, 1)
形状为(2, 3, 3, 1)
类似的还有tf.ones(), tf.zeros()
注意！！！
对卷积核来说，a,b,c,d对应的括号形式虽然相同，但a,b,c,d代表的含义和输入不一样！！分别代表长，宽，深，个数！！所以书写时要注意括号的形式！！比如我要写一个长宽分别为2，2，深度为1，个数为1的kernel张量，则它的形状应为(2,2,1,1)，而不是(1,2,2,1)，用类似tf.random.normal的方法来初始化kernel或weights时也是（长，宽，深，个数）
比如：
filter = tf.constant([[[[1]], [[2]]], [[[ 3]], [[4]]]])
我想可能是和矩阵的乘法（左矩阵和右矩阵的位置）有关
池化层的池化窗口大小ksize形状为[1, height, width, 1]
使用tensor.reshape(-1, a, b, c)时，-1代表不指定这一维的大小，因为张量里的元素个数是一定的，其他维的大小确定后，这一维的大小也随之确定，但不能在2各维度上使用-1（可以想象为解一元方程组，有一个未知数时方程有特解，有两个未知数时方程的解不定）