神经网络，为啥需要将数据映射成张量tensor

在神经网络中，数据需要被表示成张量（tensor）格式，这是因为：

（1）张量是神经网络处理数据的基本单位。神经网络中的每一层都接收一个张量作为输入，并输出一个张量。张量可以是多维的，例如一维向量、二维矩阵或三维体积。
（2）张量可以有效地表示数据。张量可以表示各种类型的数据，包括图像、文本和时间序列。对于 MNIST 手写数字识别任务，数据可以表示为二维张量，其中每个元素对应于图像中的一个像素。
(3)张量可以轻松地进行数学运算。神经网络中的操作（例如卷积、池化和激活函数）都可以表示为张量运算。这使得神经网络可以高效地处理大量数据。

举例： MNIST 手写数字识别任务，将数据映射成张量有以下好处：

（1）图像可以被表示为二维张量。MNIST 图像是 28x28 像素的灰度图像。因此，每个图像可以表示为一个 28x28 的二维张量，其中每个元素对应于图像中的一个像素值。
（2）张量可以方便地输入神经网络。神经网络可以接收张量作为输入。因此，将 MNIST 图像映射成张量可以使神经网络轻松地处理这些数据。
（3）张量可以有效地进行卷积运算。卷积是神经网络中用于提取图像特征的重要操作。卷积运算可以将张量中的元素与卷积核中的元素相乘并求和，从而提取图像中的特征。

        总之，将 MNIST 手写数字识别数据映射成张量是必要的，因为它可以有效地表示数据、方便神经网络处理数据并进行数学运算。通常将 MNIST 图像表示为形状为 `(1, 28, 28)` 的三维张量。这保留了图像的二维结构，并使 CNN 的实现变得更加容易。

因此，将 数据映射成张量对于高效训练和部署神经网络至关重要。