张量Tensor

什么是张量（Tensor）

实际上就是一个多维数组

神经网络中的输入、输出和变换都是用张量来表示的，因此神经网络编程大量需要张量

张量是神经网络使用的主要数据结构，目的是创造更高维度的向量、矩阵。谷歌的开源机器学习框架TensorFlow也是建立在张量的基础上。

张量的具体实例

• 标量是0维张量
• 向量是一维张量
• 矩阵是二维张量
• 立方体是三维张量
• n维数组是n维张量

Tensor对象的3个属性：

1. rank：秩，维度的总数
2. shape: 形状，统计各个维度的元素数量
3. axis: 轴，具体的某一个维度

以图像为例，每一幅图像可以看作由像素点构成的二维数组，而每个像素点又可以表示成RGB对应的3元组，经过这样的嵌套之后，每一幅图像实际上变成了一个高阶数组, 图示如下

用numpy表示张量

0维张量
import  numpy
x = np.array(5)
print(x)

输出为  5

1维张量
import  numpy
x = np.array([1,2,3,4])
print(x)

输出为  array([1,2,3,4])
用下面的可以代码可以得到张量的维数
x.ndim
1

2维张量
x = np.array([[1,2,3],[4,5,6]])

输出   [1,2,3]
       [4,5,6]

3维张量
x = np.array([[[1,2,3],[4,5,6]],
[[7,8,9],[10,11,12]],
[[13,14,15],[16,17,18]])

shape(3,2,3)