深度学习基本概念：张量是什么

2021.3.12更新

---

最近因为要做深度学习，所以又重新开始学习了一遍keras中文文档，相较以前，又有了新的深刻，对以前一知半解的概念、函数等有了新的理解与认识，今天记录一下，有关张量的相关概念，对比之前所述内容，更加简单易懂。

一、张量是什么

1. 张量可以看作是向量、矩阵的自然推广，我们用张量来表示广泛的数据类型。
2. 规模最小的张量是0阶张量，即标量，也就是一个数。
3. 当我们把一些数有序的排列起来，就形成了1阶张量，也就是一个向量
4. 如果我们继续把一组向量有序的排列起来，就形成了2阶张量，也就是一个矩阵
5. 把矩阵摞起来，就是3阶张量，我们可以称为一个立方体，具有3个颜色通道的彩色图片就是一个这样的立方体
6. 把立方体摞起来，就叫4阶张量了，不要去试图想像4阶张量是什么样子，它就是个数学上的概念。

二、轴axis

张量的阶数有时候也称为维度，或者轴，轴这个词翻译自英文axis
譬如一个矩阵[[1,2],[3,4]]，是一个2阶张量，有两个维度或轴，沿着第0个轴（为了与python的计数方式一致，本文档维度和轴从0算起）你看到的是[1,2]，[3,4]两个向量，沿着第1个轴你看到的是[1,3]，[2,4]两个向量。
要理解“沿着某个轴”是什么意思，不妨试着运行一下下面的代码：

import numpy as np
a = np.array([[1,2],[3,4]])
sum0 = np.sum(a, axis=0)
sum1 = np.sum(a, axis=1)
print sum0
print sum1

以上内容参考keras中文文档， 笔者个人认为以上内容对张量的解释已经足够清晰，无需再去参考其他文献