深度学习软件定义的张量是多维数组，所以如果你只需要对数据进行简单（小规模）的数学运算和转换，那么 TensorFlow 就大材小用了。但 TensorFlow 远不止于此，

• 它实现了大多数用于构建深度学习模型的常见积木，
• 它拥有最先进的优化算法，
• 它开箱即用地自动区分，
• 它支持GPU训练，
• 它具有高级（Estimator）、中级（Keras）和低级（核心 TensorFlow）接口，具体取决于您是要手动编程，还是只训练通用模型，
• 开发了概率编程模块，
• 为 TensorFlow 构建 Spark 接口的工作正在进行中，因此它将与大数据环境原生集成，
• 它可以很容易地集成到生产环境中，
• 或者模型可以转换为TensorFlow Light并在移动设备上运行，或转换为 JavaScript，

它还有很多很多的功能。

我假设 a) 你不会质疑我们为什么拥有 TensorFlow 本身，并理解它的价值；b) 你只质疑为什么 TF 不使用 np.array 类而不是创建一个新类 tf.Tensor。

当您编写任何类型的扩展框架（例如 TensorFlow）时，您最终会创建许多类型甚至类型层次结构。当然，他们中的每一个的创造都可能受到挑战。但是，单独做没有意义。您必须考虑框架的上下文。例如，有时您最终会从已经存在的包中创建几乎完全相同的类副本。为什么不简单地导入包？可能有很多原因，包括您可能不想拖动整个包只是为了从中获取一些类，所以您复制它们等。因此，从软件工程的角度来看，几乎很容易将您的问题丢弃为缺乏上下文。但是，我会尝试回答它，因为它涉及到 TensorFlow 框架的中心数据结构。

有很多方法可以回答这个问题，我只选择一种。看一下 Python 中的以下 numpy 代码：

import numpy as np
np.array([[1,2],[3,4]])**2

这是它产生的输出，一个 2x2 数组的元素平方：

array([[ 1,  4],
       [ 9, 16]], dtype=int32)

接下来看一段看似等价的 TensorFlow 代码：

import tensorflow as tf
t = tf.constant([[1,2],[3,4]])
t = t**2
t

让我们仔细看看它的输出并与 numpy 的比较：

<tf.Tensor 'pow_1:0' shape=(2, 2) dtype=int32>

这不是数组的平方......但是。这个张量与我们上面创建的计算图最终将计算的内容的描述相关联。这是一个非常简单的图，只有几个节点：输入数组和平方运算。尽管如此，它是一个图表。现在让我们对其进行如下评估：

sess = tf.Session()
sess.run(t)

这是输出：

array([[ 1,  4],
       [ 9, 16]], dtype=int32)

现在，这看起来像我们预期的数组！

我们可以使用以下 TF 代码使这一点更加明确：

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=(2,2))
t = x**2
t

在这里，我们再次获得了张量，它甚至无法急切地计算（感谢@Tim）！

<tf.Tensor 'pow_3:0' shape=(2, 2) dtype=float32>

我们需要插入实际数组而不是占位符以获得如下结果：

sess = tf.Session()
sess.run(t,feed_dict={x: np.array([[1,2],[3,4]])})

获得所需的输出：

array([[  1.,   4.],
       [  9.,  16.]], dtype=float32)

所以，这就是说 TensorFlow 中的 Tensor 类不仅仅是一个 numpy 数组。在这种情况下，它几乎就像一个变量与值的比较。

除了其他答案，我认为 aTensor也可以是一个操作。简而言之，aTensor是数据或操作的抽象，它表示计算图中的一个节点。该图是 TF 为了训练、预测等而要完成的一组计算。