深度学习张量的秩、轴和形状

已于 2025-01-09 08:33:06 修改
阅读量1.2k 收藏 10
点赞数 12
分类专栏： 人工智能 文章标签： pytorch
于 2025-01-09 08:32:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/fantasygwh2015/article/details/145022482
版权

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。

​img​

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

最低0.47元/天 解锁文章
张量基础3(张量的秩)
承天时行的博客
07-18 3401
张量的秩张量的秩的定义回顾三维向量的外积外积的坐标运算 张量的秩的定义 定义：秩一张量/可合张量——NNN阶张量X∈RI1×I2×⋯×INX\in R^{I_1\times I_2\times\dots\times I_N}X∈RI1​×I2​×⋯×IN​是一个秩一张量，当且仅当它能被写成NNN个向量的外积，即： X=a(1)∘a(2)∘⋯∘a(N) X=a^{(1)}\circ a^{(2)}\circ\dots\circ a^{(N)} X=a(1)∘a(2)∘⋯∘a(N) 注意：a(n)∈RIn,n∈
PyTorch - 05 - Rank, Axes 和Shape：深度学习张量
weixin_48367136的博客
12-15 720
PyTorch - 05 - Rank, Axes 和Shape：深度学习张量Rank, Axes 和Shape：深度学习张量张量等级排名和索引张量轴轴长张量的形状张量的形状很重要重塑张量总结 Rank, Axes 和Shape：深度学习张量 等级，轴和形状的概念是在深度学习中最关心我们的张量属性。 秩 轴数 形状 等级，轴和形状是在深度学习中从张量开始时最关心我们的三个张量属性。 这些概念是相互依存的，首先是等级，然后是轴，最后是形状，因此请密切注意这三个之间的关系。 等级，轴和形状在一起都与我们在
秩为1的张量以及张量的秩
Rrememberwhen的博客
07-09 2411
对于正交矩阵而言，矩阵的转置等于矩阵的秩
【深度学习】你真的理解张量了吗？|标量、向量、矩阵、张量的秩|01
最新发布
Yaoyao2024的博客
04-16 1520
在之前的学习中，我自以为我对张量、矩阵、数组，已经十分清楚。就在近期我打算再好好学习一下张量各个操作的过程极其原理的时候，才发现之前的自己或许根本没有弄清楚张量到底是个啥？为什么呢？我发现我学习的过程中发现对张量的各个操作有种说不上来的不明白。我问了自己很久，到底是哪一点让自己感受到这种“不舒适”的学习感？我向来是一个喜欢追根溯源，刨根问底的人。于是我问我自己这个问题区分这两个概念：[x,y,z]，形状为(3,)2. 3阶张量，形状为(m,n,k)这不是很明显吗？
PyTorch 张量（tensor）的秩，轴，形状（Rank, Axes, and Shape）的理解
zhuguiqin1的专栏
08-16 5526
秩、轴和形状的概念是我们在深度学习中最关心的张量属性。在这篇文章中，我们将深入研究张量的这三个属性。在深度学习中开始使用张量时，秩、轴和形状是我们最关心的三个张量属性。这些概念相互建立，从秩开始，然后是轴，再到形状，因此请密切注意这三者之间的这种关系。 张量的秩（Rank） 张量的秩是指张量中存在的维数（dimensions）。假设我们被告知我们有一个 秩为2（rank 2）的张量。这意味着以下所有内容： 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 张量的轴（Axes） 如果我们有一
如何理解张量？如何理解的秩？
zhuazengbian9095的博客
10-16 6761
先挖个坑， 以后再填。 这里先放两个YouTube的视频，都是10来分钟，两者相互补充，缺一不可，非常好： 1.what is tensor 2.tensor explain intuitively(3D动画演示） 这里先重点提一句，防止坑未填，重点先忘： 注意视频1老爷子8：45时的话，这是画龙点睛之处。 假设限定在3维空间中，则有3个基向量（basic vector），需要3个分量（compo...
张量分解浅谈（二 CP NMF 张量秩）
欢迎来到 豪哥 的博客
07-18 5984
欢迎大家来到这一期的张量分解博客学习，本期博客的主要内容就是标题，难度会加大，本人也有写的错误的地方，烦请大家不吝赐教！
【Python 模块学习】NumPy中的维度(dimension)、轴(axis)、秩(rank)的含义
热门推荐
Babyfatliang的博客
02-19 2万+
这个和Python自带的列表有较大的区别，列表中的元素类型是可以不相同的，如一个列表中，它可以包含数字、字符、字符串等，而在数组中，它的数据类型是相同的，如都是整型或者浮点型。如下图中的数组b，从属性 ndim 中可以知道，它的秩为2，即轴的个数是2，或者维度的数量是2（行和列两个维度）。在下面的例子中，有一个数组 [1,2,1]， 它的维度是1，也就是有一个轴，这个轴的长度是3，而它的秩也为1。秩的值已经变为3，它的shape反映出它的轴0长度为2，轴1长度为2，轴2的长度为3。
深度学习框架(TensorFlow)基础教程——第5章：张量和基本运算
10-09
1. **秩（Rank）**：张量的维度数量，即张量的轴的数量。 2. **形状（Shape）**：张量每个维度的大小，通常用一个整数元组表示。 3. **数据类型（Data Type）**：张量包含的数据的类型，如`float32`、`int32`或`bool...
PyTorch - 09 - Flatten, Reshape, 和Squeeze说明 - 使用PyTorch进行深度学习的张量
weixin_48367136的博客
01-11 1272
欢迎回到有关神经网络编程的系列文章。 从本系列的这篇文章开始，我们将开始使用到目前为止所掌握的关于张量的知识，并开始涵盖神经网络和深度学习的基本张量操作。
深度学习中的张量 - 使用PyTorch进行广播和元素级操作
fantasygwh2015的博客
01-17 857
pytorch
深度学习中PyTorch张量的重塑操作
fantasygwh2015的博客
01-15 896
张量
【张量分解(二)】CP分解
bqw的博客
03-30 2万+
一、CP分解 1.1 定义 CP分解就是将一个张量分解成多个单秩张量的和。例如，给定一个三阶张量X∈RI×J×K\mathcal{X}\in\mathbb{R}^{I\times J\times K}X∈RI×J×K，则CP分解可以写为 X≈∑r=1Rar∘br∘cr\mathcal{X}\approx\sum_{r=1}^{R}\textbf{a}_r\circ\textbf{b}_r\circ...
深度学习入门 ---- 张量(Tensor)
小鱼干儿的博客
08-02 1万+
Tensor，中文叫张量，是深度学习的一个基础，文章讲解了什么是张量，张量和标量、向量、矩阵之间的关系，张量如何使用，在PyTorch中如如何对张量进行操作 ，
张量、标量、向量和矩阵
qq_40523298的博客
04-27 2235
在这里，第一个元素(0.5)被当作x值，第二个元素(0.5)被当作y值,如果我们有三个元素，第三个就是z值。因此，对于列图片中没有 x 和 y 的值，总和向量将等于常量矩阵(或向量)。标量是 0 秩张量。第一个矩阵(1)的第 4 列乘以第二个矩阵的第 1 行，第一个矩阵(2)的第 5 列乘以第二个矩阵的第 2 行，依此类推。为了从列图片中找到方程组的解，我们将系数矩阵与不同的变量值(x 和 y)相乘并将它们相加(向量加法类似于矩阵加法)。因此，x=2 和 y=1 是方程组(4)(5)和(6)的一个唯一解。
什么是张量（Tensor）
weixin_45857735的博客
03-12 1139
张量是一个多维数组，其维度（或阶数）表示数组的“深度”。
张量（一）：张量基础
wwb44444的博客
10-05 8834
从今天开始，笔者将会持续更新关于张量的相关知识和最新研究成果。我们这里所说的张量知识主要是关于张量低秩分解，张量补全等算法和应用。在如今神经网络大火的年代，张量补全等算法无疑为预测、去噪等问题提供了新的解决方法和思路。接下来，且听我娓娓道来。 友情提醒：默认读者拥有线性代数的基础。 一、何为张量？ 在本科阶段，我们接触到最多的数据结构就是矩阵与向量。一维的向量与二维的矩阵分别能表示数据的一种与两种信息。然而，现实世界里大多数数据都具有多重属性，例如一个人就有姓名、年龄、性别、民族等多种信息，因此单纯的
Numpy_数组的维、秩、轴
feizuiku0116的博客
09-11 3380
一.维和秩 通常说数组是几维的，就是指维度数，如三维数组维度数就是3。维度数还有一个专用名字，即秩，也就是数组属性ndim 二.轴 一维数组，类比于一维空间，只有一个轴，就是0轴 二维数组，类比于二维空间，有两个轴，习惯表示成行和列，行的方向是0轴，列的方向是1轴 三维数组，类比于三维空间，有三个轴，习惯表示成层、行和列，层的方向是0轴，行的方向是1轴，列的方向是2轴 三.实例 import numpy as np # 3层2列的结构 a = np.arange(18).reshape((3, 2, 3
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值