深度学习中的张量维度

1 深度学习中的张量

在深度学习框架中，Tensor（张量）是一种数据结构，用于存储和操作多维数组。张量可以被视为一种扩展的矩阵，它可以具有任意数量的维度。

在深度学习中，张量通常被用来表示神经网络的输入、输出、权重和梯度等数据。在深度学习框架中，张量是一个重要的概念，因为它是深度学习计算的基本单位。

张量可以用不同的数据类型表示，如浮点型、整型等。在深度学习框架中，通常使用GPU来加速张量的计算，因为GPU具有并行计算能力，可以快速地执行大量的矩阵和向量运算。

深度学习框架通常提供了一些张量操作函数，如矩阵乘法、卷积、池化等，使得用户可以方便地进行张量计算。

2 张量的基本属性

主要有三个属性：秩、轴、形状

• 秩：主要告诉我们是张量的维度，其实就是告诉我们是几维向量，通过多少个索引就可以访问到元素。
• 轴：在张量中，轴是指张量的一个维度。当处理多维数据时，每个维度都可以被称为一个轴。通常，第一个轴称为0轴（或轴0），第二个轴称为1轴（或轴1），以此类推。
• 形状：形状是指张量在每个轴上的维度大小。它是一个由整数组成的元组，表示张量沿着每个轴的大小。
   

3 张量的维度

3.1 标量（0D 张量）

仅包含一个数字的张量叫作标量（scalar，也叫标量张量、零维张量、0D 张量）。在 Numpy中，一个 float32 或 float64 的数字就是一个标量张量（或标量数组）。你可以用 ndim 属性来查看一个 Numpy 张量的轴的个数。标量张量有 0 个轴（ ndim == 0 ）。张量轴的个数也叫作阶（rank）。下面是一个 Numpy 标量。

    import numpy as np