用python中list/tuple理解，仅仅是从内存角度理解一个序列数据，而非数学中标量，向量和张量。
从python内存角度理解，就是一个数值，长度为1，并且不是一个序列；
从numpy与tensorflow数学角度理解，就是一个标量，shape为()，其轴为0；
[1,2,3,4,5,6]
从python内存角度理解，就是1*6或者长度为6的一个序列；
从numpy与tensorflow数学角度理解，就是一维向量，并且是列向量，shape为(6,)，其轴为1；注：一维向量，列向量，其轴为1，轴下标为0，表示第一个轴；
[[1,2,3], [4,5,6]]
从python内存角度理解，就是一个二维数组2*3，2列3行；注意：不管python还是numpy/tensorflow都是列在前，即一个向量默认为列向量；
从numpy/tensorflow数学角度理解，就是一个二维张量，shape为(2,3)，其轴为2；注：二维向量，第一个轴为列，下标为0，第二个轴为行，下标为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矩阵第一个轴(列)，第i列对应所有元素；
b[:,i]: 表示b矩阵第二个轴(行)，第i行对应所有元素；
d1=tf.reduce_mean(b): 表示对矩阵所有元素进行均值；
d2=tf.reduce_mean(b, 0)：表示对矩阵进行第一个轴(列)方向上的投影，即每一行上的均值；
d3=tf.reduce_mean(b, 1)：表示对矩阵进行第二个轴(行)方向上的投影，即每一列的均值；
查看这个网址：http://www.cnblogs.com/silence-tommy/p/6554986.html
这个网址上说的有问题：
tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数，那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参数为0，则第一维的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5, 3.5] #指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值
这两句下划线的标注，是错误的。显然没有理解对于矩阵轴的概念；
(不好意思，这个网址博主，仅仅是看到了，所以仅仅从开发角度分析了下，并非故意，敬请谅解！)
