1.深度学习中张量的作用
深度学习中张量主要是为了便于用数字来描述一个对象，比方说要描述一张彩色图片，我们可以用(长，宽，颜色)来描述，所以描述一张彩色图片就需要用到三维张量，如果我们要描述一个彩色图片的集合那么就要就需要用(图片序号，长，宽，颜色)来描述，所以描述一个彩色图片的集合就需要用到四维张量。
2.深度学习中张量的表达形式
0维张量：[1]
0维张量就是一个标量，说白了就是一个数字。
1维张量：[1,2,3,4,5]
1维张量就是一个向量
2维张量：
2维张量就是一个矩阵
3维张量：
3维张量是多个2维张量叠起来
4维张量：
4维张量是多个三维张量叠起来
下图更直观一些：
3.用numpy表示张量
0维张量：
1维张量：
用下面的命令可以得到张量的维数：
2维张量：
3维张量：
4.查看张量的形状
import numpy as np
unit_num = np.array([[[1,2,3],[2,3,4]],[[1,2,3],[2,3,4]]])
print(unit_num.shape)
结果：
(2, 2, 3)
