深度学习中张量（Tensor）的理解

在深度学习中，TensorFlow是一个非常流行的框架，而tensor就是张量的意思。

张量是矩阵的扩展与延伸。

标量	向量	矩阵	3阶张量	n阶张量
只有大小	有大小和方向	由行列两个向量组成	由行列高三个向量组成	由N个互相垂直的向量组成
	一维空间	二维空间	三维空间	N维空间

Tensor的对象有三个属性：

（1）rank：number of dimensions

（2）shape: number of rows and columns

（3）type:   data type of tensor's elements

结合其属性就很好理解张量了，以下是从作者开心果汁那里参考的例子：

3                                                  # a rank 0 tensor; this is a scalar with shape []
[1. ,2., 3.]                                     # a rank 1 tensor; this is a vector with shape [3]
[[1., 2., 3.], [4., 5., 6.]]                  # a rank 2 tensor; a matrix with shape [2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]]              # a rank 3 tensor with shape [2, 1, 3]   常说的张量就是3阶张量

张量的阶数有时候也称为维度，或者轴。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）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。

下面的代码可以帮助理解张量tensor“沿着某个轴”是什么意思

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

最后总结一下：在深度学习中，Tensor实际上就是一个多维数组（multidimensional array），其目的是能够创造更高维度的矩阵、向量。

ps: 在计算机视觉中，彩色图片就是用3阶张量描述的。黑白图片可以用矩阵描述，加上高度维度描述RGB后就可以描述彩色图片了。

参考资料：

作者：恒仔            地址：https://zhuanlan.zhihu.com/p/48982978

作者：开心果汁     地址：https://blog.csdn.net/u013421629/article/details/75236151