首先，我知道有一个相关问题被问到了这里.
然而，这个问题是关于TensorFlow的实现和内部的。我正在阅读论文《A Tour of TensorFlow》。以下两点摘自该论文：
1.
张量本身不在内存中保存或存储值，但仅提供检索由张量引用的值的接口。
这使我认为Tensor是一个对象，它简单地存储指向操作结果的指针，并且在检索张量的结果或值时，它只是取消引用该指针。
2.
变量可以被描述为存储张量的持久性可变句柄的内存缓冲区。因此，变量具有特定的形状和固定类型。
这让我感到困惑，因为我根据以前的那一点认为张量只是简单地存储指针。如果它们只是指针，它们也可能是可变的。
准确来说，这些是我的问题：
tf.Tensor对象表示TensorFlow操作的符号结果。例如，在表达式t = tf.matmul(x, y)中，t是一个tf.Tensor对象，代表将x和y相乘的结果（它们自己可能是其他操作的符号结果、NumPy数组或变量）。tf.Session.run()），将运行必要的计算来产生该操作的结果，并将其作为具体值（如NumPy数组）返回给您。tensorflow::Tensor对象表示多维数组的具体值。例如，MatMul核心接受两个二维tensorflow::Tensor对象作为输入，并生成一个二维tensorflow::Tensor对象作为其输出。Output表示符号结果，用Tensor表示具体值。tf.Variable是变量的符号表示，具有创建操作以读取变量当前值和分配值的方法。在C++实现中，tensorflow::Var对象是一个包装器，包裹了一个共享的、可变的tensorflow::Tensor对象。"内存缓冲区"的含义是什么？
内存缓冲区只是使用 TensorFlow 分配器分配的一段连续内存区域。 tensorflow::Tensor 对象包含指向内存缓冲区的指针，该缓冲区保存张量的值。缓冲区可以位于主机内存中（即可从 CPU 访问）或设备内存中（例如仅可从 GPU 访问），TensorFlow 有操作可在这些内存空间之间移动数据。
"句柄"的含义是什么？
在 论文 中的解释中，"句柄"这个词用了几种不同的方式，与 TensorFlow 使用的术语略有不同。该论文使用 "符号句柄" 来指代 tf.Tensor 对象，并使用 "持久、可变句柄" 来指代 tf.Variable 对象。TensorFlow 代码库使用 "句柄" 来指代具有状态的对象（如 tf.FIFOQueue 或 tf.TensorArray），它可以传递而无需复制所有值（即 按引用调用）。
我对张量的内部实现的最初假设是否正确？
您的假设最接近（C++）tensorflow::Tensor 对象的定义。 （Python）tf.Tensor 对象更加复杂，因为它引用计算值的函数，而不是值本身。
张量和变量之间的内部实现差异是什么？
在 C++ 中，tensorflow::Tensor 和 tensorflow::Var 非常相似；唯一的区别是 tensorflow::Var 还有一个可用于在更新时锁定变量的 mutex。
在 Python 中，本质上的区别在于 tf.Tensor 作为数据流图实现，并且是只读的（即通过调用 tf.Session.run()）。tf.Variable 既可以被读取（例如通过评估其读取操作），也可以被写入（例如通过运行分配操作）。
它们为什么声明不同，并且这种差异对 TensorFlow 很重要吗？
张量和变量具有不同的用途。张量（tf.Tensor 对象）可以表示数学表达式的复杂组合，例如神经网络中的损失函数或符号梯度。变量表示随时间更新的状态，例如训练过程中的权重矩阵和卷积滤波器。虽然原则上您可以不使用变量来表示模型的演变状态，但您最终会得到一个非常大（且重复）的数学表达式，因此变量提供了一种方便的方式来实现模型的状态，并且 - 例如 - 与其他机器共享以进行并行训练。