关于tensorflow中张量维度—Shape参数的理解

初学tensorflow，大佬勿喷
在编写神经网络手写数字识别时，打印权重矩阵的维度

print(wih.shape)
# 得到 (100,784)

这里我的理解是，100行，784列的矩阵，感觉没什么问题。

然后学习tensorflow张量的时候，编写了如下代码

a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = tf.add(a,b,name="add")
print(result)
# Tensor("add:0",shape=(2,),dtype=float32)

这里我就困惑了，a + b 的结果应该是1行2列才对吧…
在我理解中应该是 shape=(1,2)
翻阅书本后，对于张量有如下说明：

张量的第二个属性是张量的维度（shape）。这个属性描述了一个张量的维度信息。
比如上面样例中shape=(2,)说明了张量result是一个一维数组，这个数组的长度是2。

这样我就理解了，张量的维度shape的参数，不是矩阵那种行列式的写法
shape参数的个数应为维度数，每一个参数的值代表该维度上的长度

shape=(100,784)	
代表该张量有两个维度，第一个维度长度为100，第二个维度长度为784，二维数组100行784列
shape=(2,) 
代表该张量有一个维度，第一个维度长度为2，一维数组1行2列

第几个维度的长度，就是左数第几个中括号组之间的元素总数量。

# 例：
[[[1,2,3],[4,5,6]]]
# 第一个维度中只有一个元素[[1,2,3][4,5,6]]，所以第一个维度长度为1
# 第二个维度中有两个元素[1,2,3][4,5,6]，所以第二个维度长度为2
# 第三个维度中有三个元素“1,2,3”或“4,5,6”，所以第三个维度长度为3
# 那么它的shape参数就是[1,2,3]