深度学习张量的秩、轴和形状
秩、轴和形状是在深度学习中我们最关心的张量属性。
- 秩
- 轴
- 形状
秩、轴和形状是在深度学习中开始使用张量时我们最关心的三个属性。这些概念相互建立,从秩开始,然后是轴,最后构建到形状,所以请注意这三个概念之间的关系。
秩、轴和形状都与我们在前一篇文章中讨论的索引概念密切相关。如果你还没有看过那篇文章,我强烈建议你去查看。让我们从基础开始,介绍张量的秩。
张量的秩
张量的 秩 指的是张量内部存在的维度数量。假设我们被告知有一个秩为 2 的张量。这意味着以下所有情况:
- 我们有一个矩阵
- 我们有一个二维数组
- 我们有一个二维张量
我们在这里引入 秩 这个词,因为它在深度学习中常用来指代给定张量内部存在的维度数量。这是不同研究领域使用不同词汇来指代同一概念的另一个例子。不要让它迷惑你!
秩和索引
张量的秩告诉我们需要多少个索引来访问(引用)张量数据结构中包含的特定数据元素。
张量的秩告诉我们需要多少个索引来引用张量中的特定元素。
让我们通过查看张量的轴来进一步理解秩的概念。
张量的轴
如果我们有一个张量,我们想要引用特定的 维度,我们在深度学习中使用 轴 这个词。
张量的轴是张量的特定维度。
如果我们说一个张